SD 27 Muestreo 2011

E-Book ISBN 978-987-1676-44-6
Serie didáctica Nº 27 Fecha de catalogación: 19/12/2014

PRÓLOGO
Estos apuntes constituyen una base para el estudio de la asignatura “Muestreo y

técnicas de evaluación en ecosistemas” de la carrera de Licenciatura en Ecología y
Conservación del Ambiente. Dada la amplitud de los temas que se abarcan en
esta asignatura, ya que se trata de estimar poblaciones tanto vegetales como
animales, hemos redactado estas páginas, ayudadas por la experiencia que nos
proporcionara el muestreo e inventario forestales, resumiendo en ellas los textos
básicos más difundidos sobre esta particular área del muestreo.
Hemos fusionado lo estadístico con lo biológico y dado importancia tanto al
diseño de las unidades muestrales como a su distribución en el ecosistema en
estudio. Por ello comenzamos con una clasificación de las variables de interés que
son las que definen la conformación y características de las unidades muestrales.
Se presentan los temas acompañados con ejemplos de aplicación, basados en datos
reales o en datos ficticios pero con base real.
Esperamos que estas notas de clases sirvan a nuestros alumnos para facilitar el
estudio de esta asignatura y sean una guía en la aplicación de estas técnicas en el
ejercicio de su profesión
Ing. Celia Gaillard de Benítez y Dra. Marta Graciela Pece
Apuntes incorporados como Serie Didáctica Nº 27 mediante Resol. CDFCF

Nº234/2011
Cátedra de Estadística Forestal

Mayo de 2011
Muestreo y Técnicas de Evaluación en Vegetación y Fauna
Autores: Ing. Celia Gaillard de Benítez y Dra. Marta Graciela Pece
ÍNDICE
1. INTRODUCCIÓN. VARIABLES UTILIZADAS INDIVIDUALES Y COMUNITARIAS.

OTRAS VARIABLES DESCRIPTIVAS DE COMUNIDADES………………………..….1
2. POBLACIÓN Y MUESTRA ...........................................................................................4
3. MÉTODOS DE MUESTREO ..........................................................................................7

3.1. MUESTREO AL AZAR SIMPLE………………………………………………..…...….7
3.2 MUESTREO AL AZAR ESTRATIFICADO…………………………………..……..…13
3.3 MUESTREO SISTEMÁTICO…………………………………………………..….….…24
3.4 MUESTREO BIETAPICO…..…………………………………………………..….….…27
3.5 ESTIMADORES DE RAZON Y DE REGRESION……………..……………….….….28
4. UNIDADES DE MUESTREO EN VEGETACIÓN. ………………………………..…..…..29

4.1 PARCELAS DE ÁREA FIJA. ………………………………………………….………..29
4.2 PARCELAS SIN ÁREA FIJA……………………………………………….…..……….38
4.3 UNIDADES DE MUESTREO PARA ESTIMACIÓN DE COBERTURA.…….…......49
4.3.1 LÍNEAS DE INTERCEPCIÓN………………………..……………………...….49
4.3.2 PUNTOS DE INTERCEPCIÓN…………………………………………….…....53
4.4 INSTRUMENTOS UTILIZADOS EN LA EVALUACIÓN DE LA VEGETACIÓN.….55
5. EVALUACIÓN DE FAUNA…………………………………………………………………...57
5.1. ÍNDICES DE ABUNDANCIA ……………………………………………………….…..58
5.2. TRANSECTAS DE LÍNEAS Y DE PUNTOS (MÉTODOS DE DISTANCIAS).
OTRAS DENOMINACIONES: CENSOS MÓVILES Y CENSOS DE PUNTOS Ó
TELLERÍA: ITINERARIOS O ESTACIONES DE CENSOS. SON MÉTODOS PARA
ESTIMAR DENSIDAD………………………………………………………………….…64
5.3. PARCELAS ……………………………………………………………………….…….…70
5.4. CAPTURAS ACUMULADAS ……………………………………………………………71
5.5. CAPTURA Y RECAPTURA.……………………………………………………………..73
5.6. CONTEO DIRECTO…………………………………………………………………….…75
BIBLIOGRAFIA……………………………………………………………………………………..77
Serie Didáctica 0 Junio de 2011

Facultad de Ciencias Forestales.
Universidad Nacional de Santiago del Estero
1.INTRODUCCIÓN
En la investigación ecológica se distinguen dos tipos de estudios:

observacionales y experimentales. Los primeros son los más utilizados en
esta disciplina y en ellos no hay intervención por parte del investigador quien
se limita a tomar nota de los valores de las variables que define o supone de
interés. La experimentación que permite al técnico la elección de niveles de
las variables (o causas) que supone inciden en las respuestas (o efectos) es
de aplicación limitada a campo debido a que, el control y manipulación de las
condiciones ambientales es complicada o costosa y muchas veces imposible.
Uno de los objetivos centrales en la evaluación y muestreo de poblaciones en
ecosistemas naturales (bosques, fauna, insectos, pasturas, cursos de agua,
etc.) es describirlas en términos de valor total de alguno o algunos de los
atributos de todos los integrantes de la población de nuestro interés.
VARIABLES UTILIZADAS: En cada unidad de muestreo y según el objetivo

del estudio se pueden recolectar dos tipos de variables: individuales y
comunitarias. (Más adelante se presenta el instrumental utilizado en la
medición).
a) INDIVIDUALES: Son las mediciones u observaciones que se efectúan
sobre los individuos (vegetales o animales) o parte de ellos: dap en árboles
(diámetro a la altura de 1,30 del suelo); dab en arbustos y árboles (diámetro a
la base del individuo), circunferencia a 1,30; nº de semillas por fruto; especie;
estado sanitario; peso; nº de pichones por nido; etc.
b) COMUNITARIAS: se utilizan para describir poblaciones tanto en animales
como vegetales. Pueden ser referidas a un área determinada o ser
simplemente indicadores.
b1) Densidad: el número de individuos en una comunidad se expresa como
abundancia o densidad (número de individuos por unidad de superficie). Si el
área está en m2, en una parcela de área determinada, la densidad absoluta
en individuos por hectárea se calcula como sigue:
nº individuos
Densabs   10.000
área
A veces se expresa la densidad relativa de cada especie en % sobre la
densidad total. La densidad absoluta de la especie A (DensAabs) es el número
de individuos de esa especie por unidad de área. La densidad relativa de la
especie A (DensAr) es, por lo tanto,
DensAabs
DensrA  100  ;
Densabs
b2) Área Cubierta o cobertura: El área cubierta por vegetación es quizás la
medida cuantitativa de población más utilizada. Generalmente se expresa en
relación al área total. Se expresa como la proyección sobre el suelo de partes
de vegetación en las cuales se está interesado. Puede considerarse: área
basal (suma de las áreas de la base de los individuos) o el área basal forestal
(la suma de las secciones normales es decir de los círculos a 1,30 m de
altura); área de proyección de las copas de árboles y arbustos; área cubierta
por gramíneas; porcentaje de puntos con cobertura; etc.
b3) Volumen: En actividad forestal, interesa el volumen de madera por
hectárea. En otros casos, cuando es de interés el volumen por ej, en

holothurians (pepinos marinos) en arrecifes de coral según Mitchel, 2007, se

midió el volumen de cada individuo para posteriormente sumar los volúmenes
individuales y luego referirlos a la unidad de superficie.
b4) Peso: el peso de materia seca por hectárea es importante en estudios de
biomasa vegetal y de productividad de pastizales.
b5) Dominancia: es una medida de la utilización del recurso y debe ser
definida en cada caso pues puede usarse área cubierta, volumen o peso por
unidad de superficie. Puede ser absoluta o relativa. Por ejemplo si se eligió el
volumen para expresar dominancia: el volumen por ha (Vol) considera el
volumen de los individuos de todas las especies presentes por unidad de
área. Mientras que la dominancia relativa porcentual de la especie A es
Vol A
VolrA  100 
Vol
c) Otras variables descriptivas de comunidades
c1) Frecuencia: Esta medida merece especial tratamiento ya que no se

refiere a cada unidad muestral en particular sino al conjunto de las n unidades
que componen la muestra. Se determina anotando la presencia o ausencia de
cada especie en unidades muestrales que están distribuidas sobre el área de
interés. Puede ser expresada cuantitativamente en porcentaje como la
frecuencia porcentual o índice de frecuencia. Por ejemplo si se relevaron 20
parcelas y, en 10 de ellas se encontró la especie A,
la frecuencia de A es f A  10 y , la frecuencia relativa de A es
f 10
f rA  100  A  100   50% ,
n 20
donde fA es el número de unidades de muestreo en donde se encontró la
especie A
Si la especie ha sido encontrada en todas las unidades muestrales, la
frecuencia relativa porcentual será del 100%. De esta manera el termino se
refiere al grado de uniformidad de distribución de una especie sobre un área.
Se usa cuando se compara una lista de especies de un área con la de otra
área. Las mediciones de frecuencia son mas valiosas cuando se usan junto a
otras características como la densidad y la cobertura.
La frecuencia relativa porcentual, también llamada índice de frecuencia, es la
variable cuantitativa más fácil de obtener. Sin embargo, las determinaciones
de frecuencias varían con el tamaño de la unidad muestral por lo que aquellas
obtenidas con diferentes tamaños de parcela no pueden ser comparadas.
c2) Índice de valor de importancia: IVI

Es la suma de la frecuencia relativa, la densidad relativa y la dominancia
relativa. Si todas están expresadas en %, su valor máximo es 300.
IVI ( A )  f rA  DensrA  Vol rA
La frecuencia relativa de cada especie debe ser dividida entre la suma de las
frecuencias para llevar al 100% (ver página 42).
c3) Índices de biodiversidad: El CBD (Convenio de las Naciones Unidas
sobre diversidad biológica) define la biodiversidad como ‘la variabilidad de
organismos vivos de cualquier fuente, incluidos, entre otras cosas, los
ecosistemas terrestres y marinos y otros ecosistemas acuáticos y los
complejos ecológicos de los que forman parte; comprende la diversidad

dentro de cada especie, entre las especies y de los ecosistemas.’ El IPCC
también enfatiza estos tres niveles (el genético, el de las especies y el de los
ecosistemas). Otra definición de diversidad biológica o biodiversidad viene
dada por la Estrategia Global para la Biodiversidad, que la considera como “la
totalidad de los genes, las especies y los ecosistemas de una región” (WRI,
UICN, PNUMA, 1992).
Se han propuesto muchos indicadores de biodiversidad. La medida inmediata
de biodiversidad es el número total de especies presentes en la comunidad.
Este número es la Riqueza (R). Sin embargo, como ésta depende del tamaño
de la muestra, su valor es únicamente comparativo para situaciones y
muestreos similares. Es preferible utilizar otros indicadores de riqueza como
por ej., el índice de Margaleff :
R 1
R1  donde n es el número de individuos observados
ln( n )
Los índices de diversidad engloban los conceptos de riqueza y el número de
individuos de cada especie tratando de captar la mayor o menor uniformidad
de la comunidad. Existe un número muy grande de ellos y en muchas
ocasiones no llegan a captar diferencias entre una comunidad con baja
riqueza y muy uniforme de otra con alta riqueza y poca uniformidad.
A continuación se presentan los índices de Shannon-Wiener y de Simpson. El
índice de diversidad de Shannon−Wiener (H) es uno de los más utilizados
para determinar la diversidad de especies en un hábitat. Para utilizarlo
correctamente el muestreo debe ser aleatorio y todas las especies de una
comunidad deben estar presentes en la muestra. Como de esto no ser puede
estar seguro, muchos autores hablan del número efectivo de especies en la
muestra. Cuanto mayor sea el valor de H mayor será la diversidad. Su valor
mínimo es cero.
K
n
H    pi  ln( pi ) donde pi  i
i 1 n
Siendo: ni = número de individuos de la especie i; n = número total de
individuos de las “k” especies. Su cociente es la proporción de la especie
iésima.
El índice de Simpson es otro método utilizado comúnmente para determinar
la diversidad de una comunidad vegetal. Se basa en la probabilidad de que
dos individuos extraídos de una población sean de la misma especie en un
muestreo sin reposición, sumadas las probabilidades combinadas para las
diferentes especies. Para calcularlo se utiliza la siguiente fórmula cuyos
términos tienen idéntico significado que en el índice anterior anterior:
1
S k
ni (ni  1)
i 1 n( n  1)
Si el valor del índice es bajo (valor mínimo = 1), la diversidad es baja ya que la
probabilidad de que dos plantas tomadas al azar sean de la misma especie es
alta.
C4) Índices de similitud o similaridad. Se los usa para comparar

comunidades con atributos similares. Los más utilizados son los de Sorensen,
Jaccard y Morisita-Horn. Estos índices pueden estar basados en datos
cualitativos (presencia-ausencia) o también en cuantitativos (densidad). Para

fórmulas y detalles del cálculo ver Mostacedo y Fredericksen , 2000.
2.POBLACIÓN Y MUESTRA
Desde el punto de vista estadístico se define a la población como un

conjunto de todos los elementos o unidades de muestreo (generalmente
numeroso) del cual será extraída una parte (muestra) utilizando un
procedimiento especificado de selección.
Se define a la unidad muestral como el lugar (ej: parcela, transecta de
método de los cuadrantes centrados en un punto, línea de puntos para
cobertura, estación de relascopio), individuo (ej.: árbol, nido), parte de
individuo (ej.: hoja, rama) en donde se obtienen, mediante medición, conteo u
observación, los valores de las variables de interés. Muchas veces la unidad
muestral va asociada a una técnica de recolección de datos.
Las unidades de muestreo, también llamadas unidades observacionales,
que constituyen la muestra deben ser elegidas objetivamente, es decir por
medio de procedimientos originados en la teoría estadística de muestreo,
teoría que asegura su representatividad y permite el uso de la inferencia
estadística para estimar a la población a partir de la muestra. Sin embargo y
por cuestiones de orden práctico en muchos estudios se recurre a la selección
sistemática de la muestra, la que bajo determinadas condiciones proporciona
aproximaciones satisfactorias.
Para poder realizar una selección objetiva de las unidades de muestreo es
necesario que las unidades de muestreo puedan ser perfectamente
identificadas e individualizadas. El número total de las unidades
observacionales de una población se designa con N y se conoce como
tamaño de la población y es común que su número sea muy grande por lo
que la población es considerada infinita. De estas N unidades se seleccionan
al azar n y así queda constituida la muestra. Éste se conoce como tamaño
muestral.
Por ej. un bosque de 40 ha se divide en 400 unidades de 0,1 ha, dispuesta en
una red fija de parcelas rectangulares de 25 m x 40 m, que no se traslapan ni
dejan espacio entre ellas. En éste caso el número total de unidades de
muestreo de la población se obtiene
A
N donde A = Superficie del bosque; a = Superficie de la unidad de
a
muestreo. De las 400 unidades se eligen al azar n = 30 unidades en donde se
efectuarán las observaciones y/o mediciones de interés.
Resumiendo: la población está compuesta por unidades. El concepto de
población estadística no debe por lo tanto entenderse en el sentido biológico.
En un bosque, los árboles, por supuesto son unidades de población, pero no
son las únicas. En la tabla que sigue se dan algunos ejemplos.

Tabla 1. Ejemplos de unidades de la población (y de la muestra) y

variables relevadas.
Unidad de población y de la muestra Variable Ejemplo
numérico
Árbol Diámetro a 1.30m (d) 35 cm
Rama Longitud 4,5 m
1 dm3 de suelo superficial N0 de pupas 0
Parcela circular N0 de árboles /ha 1200
Parcela cuadrada Volumen 246 m3
Estación relascopio Área Basal (G) 44 m2 /ha
Transecta de 50 m de longitud Cobertura 56%
Batería de 4 trampas para batracios Indicador de abundancia 3 individuos y
sus sp.
Recorrido de 1 km de camino “ 2 individuos
Individuo capturado (recaptura) Nº de individuos 1 marcado
marcados
Transecta de muestreo con el MCCP Distancia media 4,6 m
Punto de conteo (visual y auditivo) Especies de aves y nº SpA: 3; SpB:
de individuos 1;
Transecto de área fija (parcela de por Indicador de abundancia 6 indiv. y sus
ej. 10 m x 50 m) de herpetofauna sp.
Cuadrante de 5 m x 5 m (parcela) Indicador de abundancia 1 indiv
de herpetofauna de
hojarasca
Línea de 20 m de longitud (método Cobertura 40 %
de intercepción por líneas)
Punto de intercepción Cobertura 1 individuo
En la tabla se advierte que las unidades pueden ser individuos, o parte de

ellos, o parcelas con o sin áreas fijas. Más adelante se presentarán los
bloques o traktos que son conjuntos de parcelas (con o sin área fija) que
constituyen, cada conjunto, una unidad muestral. Como ejemplo de unidades
muestrales utilizadas según la finalidad del muestreo, se transcribe a
continuación un párrafo de la metodología para la descripción del “Ambiente
biológico” perteneciente al “Estudio de Impacto Ambiental Categoría III.
Proyecto de Ampliación del Canal de Panamá – Tercer Juego de
Esclusas. 1-11. URS Holdings, Inc. Julio 2007”. Lo transcripto está en
cursiva.
Ambiente Biológico
La metodología utilizada para los muestreos de flora y fauna fue la
desarrollada por CEREB – UP 2005, ya que para la descripción del ambiente
biológico se utilizó la información existente en los estudios proporcionados por
la Autoridad del Canal. La obtención de los datos para los hábitats boscosos
se hizo en función de la distribución de los árboles dentro del bosque. En
cuanto a la descripción de la estructura del bosque, esta se evaluó en función
del coeficiente de mezcla, abundancia relativa de las especies arbóreas,
frecuencia, expansión horizontal de cada especie de árbol y el índice de valor
de importancia para las especies arbóreas. (Tipos de variables que pueden
usarse)
Las parcelas de muestreo fueron georeferenciadas con ayuda de un GPS.
En las áreas boscosas se establecieron transectos de un kilómetro de longitud
por 10 metros de ancho con superficie de una hectárea por faja. Las fajas se
subdividieron en 10 parcelas de 100 x 10 metros cada una. En cada una de
ellas se realizaron mediciones de diámetro a la altura del pecho (DAP o dap) y

la altura total de todos los árboles con diámetro mayor a 10 cm. En las zonas
de matorrales y pajonales, se utilizó parcelas de una hectárea con recorridos
en fajas paralelas de acuerdo al relieve y paisaje.
Para el inventario de flora, se prepararon listas de angiospermas,
gimnospermas, helechos y sus aliados que fueran representativos de los tipos
de vegetación, las cuales fueron utilizadas durante los trabajos en campo. Se
hicieron identificaciones preliminares en campo y las especies que no fueron
identificadas se colectaron para su identificación en el herbario de la
Universidad de Panamá. Para la toma de muestras, se anotó el sitio donde
fue encontrada la planta y la fecha de la colecta. Las muestras se guardaron
en bolsas plásticas para ser prensadas y secadas posteriormente en el
herbario.
En relación a la mastofauna, se seleccionaron sitios de muestreo en función
de los hábitats para murciélagos y transectos lineales como método principal
para identificar y monitorear otras especies de mamíferos. Los transectos se
trabajaron en horarios diurnos y nocturnos con diferentes esfuerzos de
muestreo dependiendo de la hora del día. Las trochas abiertas, carreteras y
trillos dentro del boque se trabajaron en horario nocturno y requirieron de un
mayor esfuerzo. Durante el día los trabajos se enfocaron en la prospección de
sitios de muestreo, búsqueda de rastros, huellas y cualquier otro indicio de la
presencia de mamíferos en el área.
Entre los métodos utilizados por CEREB – UP 2005 para el muestreo de
aves están: la búsqueda generalizada y la captura con redes de niebla. Para
la búsqueda generalizada se ubicaron sitios como senderos, carreteras y
caminos que fueran apropiados para esta actividad y se localizó e identificó
visualmente las aves, con la ayuda de binoculares y la Guía para Aves de
Panamá. Las búsquedas generalizadas se complementaron con la grabación
de vocalizaciones de aves y fueron cotejadas con los cantos identificados y
grabados por G. Angehr. Las redes de niebla fueron ubicadas en hábitat de
bosque y rastrojo para la captura de aves ocultas o difíciles de identificar a
distancia; para su identificación se utilizó la Guía antes mencionada. Cabe
destacar que las aves colectadas se liberaron en el mismo sitio de captura.
Para el muestreo de herpetofauna, se utilizó el método de búsqueda
generalizada descrito en el párrafo anterior y los transectos seleccionados
para el muestreo de flora. Durante el trabajo de campo se registraron los
animales observados, número de individuos y en aquellos casos en los cuales
fue posible el sexo. Los hallazgos se analizaron de acuerdo a la metodología
de Pisan (1994).
Durante el muestreo de fauna acuática se estableció y georeferenció
estaciones de colecta en los cuerpos de agua de ambas vertientes. Las
muestras se colocaron en bolsas plásticas rotuladas, se fijaron en formalina al
5-10% y se guardaron en cubos plásticos con tapa para su transporte y
procesamiento en el Laboratorio de Ictiología de la Facultad de Ciencias
Naturales Exactas y Tecnología de la Universidad de Panamá.
Antes de pasar a la descripción y técnicas de las distintas unidades de

muestreo, se presentarán los métodos de muestreo básicos de la Estadística.

3.METODOS DE MUESTREO
La enumeración de todas las unidades de una población es por lo general
imposible. Esta enumeración completa recibe en Estadística el nombre de
censo (no debe confundirse con el vocablo censo usado por los biólogos que
suele referirse al conteo en una unidad muestral). Por la imposibilidad de
realizar censos, es necesario tomar muestras para poder inferir los valores
poblacionales con precisión aceptable y costos y esfuerzos bajos. Los
métodos de muestreo se clasifican como PROBABILÍSTICOS Y NO
PROBABILÍSTICOS. En estos últimos la selección de las unidades está
sujeta al criterio del técnico que la realiza, por lo que también reciben el
nombre de opináticos. Los basados en probabilidades (selección al azar) y los
únicos con valor estadístico, según sus características pueden ser:
MÉTODOS DE MUESTREO CON PROBABILIDADES IGUALES
Muestreo al azar simple ó sin restricciones.
Muestreo al azar con restricciones : en estratos
en bloques
Muestreo sistemático
Muestreo multietápico
MUESTREO CON PROBABILIDADES DESIGUALES:
Lista a priori
Lista aposteriori
USO DE VARIABLES EXPLICATIVAS

Estimadores de razón
Estimadores de regresión
A continuación se describen sintéticamente algunos de éstos métodos de
muestreo.
3.1 Muestreo al azar simple (MAS)

El muestreo aleatorio simple es el proceso fundamental de selección a partir
del cual se derivan todos los demás procedimientos de muestreo, con el
objetivo de aumentar la precisión de las estimaciones y reducir el costo de
relevamiento.
En el muestreo aleatorio simple cada unidad de muestreo tiene la misma
probabilidad de ser seleccionada y es igual a 1/N y todas la combinaciones
posibles de “n” unidades de muestreo tienen igual probabilidad de ser
seleccionadas de la población. La selección de cada unidad de muestreo es
libre de cualquier subjetividad, totalmente independiente de la selección de las
demás unidades y no existe ninguna restricción que gobierne la distribución
de las unidades muestrales sobre la población, es decir que esta distribución
se debe pura y exclusivamente al azar. En este proceso, en la población
objeto de estudio no se identifican partes que se diferencien entre si, como
ocurre en el muestreo estratificado.
El uso del muestreo aleatorio, en áreas de tamaño considerable, exige
fotografías aéreas o mapas para establecer la estructura de muestreo, a partir
de la cual se obtendrá una muestra aleatoria.
La selección puede realizarse con o sin reposición. Cuando la muestra es
seleccionada con reposición, existe la posibilidad de que una misma unidad
muestral participe más de una vez en la muestra y la población es
considerada infinita.
Para grandes poblaciones, el cálculo de la media y del error estándar puede

hacerse del mismo modo que para las poblaciones infinitas, ya que el factor
 N n
de corrección para población finita   se aproxima a la unidad.
 N 
En muchos inventarios forestales se utilizan parcelas de área fija o fajas y la
selección sin reposición. Si se usaran puntos de muestreo, la población es
infinita y la muestra obtenida es equivalente a la selección con reposición. En
el muestreo aleatorio simple se definen los siguientes símbolos para
identificar las variables de la población.
Tabla 2: Parámetros poblacionales y estimadores muestrales en MAS
Parámetros poblacionales Estimadores muestrales

Población de X (variable de Muestra de n unidades
interés) de N unidades
Media aritmética de la población Media aritmética muestral
1 N 1 n
   xi x   xi
N i 1 n i 1
Desviación estándar =  Desviación estándar muestral = S
N 2 n 2
1
   x i    x i x 
N i 1 S i 1
n 1
Población de X (de medias muestrales)
Población Muestra
1 n
Media poblacional    x Media muestral x  x
n i 1 i
Variancia poblac. de la variable x Variancia estimada de la variable x
2 S2
 x2  en pobl. Infinita o S x2  en pobl. Infinita o muestreo
n n
muestreo con reposición con reposición
Variancia poblac. de la variable x Variancia estimada de la variable x
 2  N n S2  N  n  S2
 x2   en pobl. finita y S x2   (1 f )
n  N  1  n  N  n
muestreo sin reposición n
f: fracción de muestreo=
N
Estimación de la media poblacional.

La media muestral x es un buen estimador de µ: es el Mejor Estimador Lineal
Insesgado (estimador MELI por las iniciales de sus propiedades en español o
BLUE en inglés). Mejor: por ser de variancia mínima; E: de estimador; Lineal:
por ser una función lineal de los valores muestrales e insesgado porque en
promedio es igual al parámetro que estima: E ( x )  
La estimación de µ se puede hacer de las dos maneras siguientes:

a) Por punto x
Ésta no proporciona ninguna medida de confianza, lo que no ocurre en la

estimación por intervalo.
b) Por intervalo de (1-  ) % de confianza.
Se genera el intervalo alrededor de la estimación puntual. El valor que se
suma y resta a la x recibe el nombre de error de estimación ( E ) y de su
valor depende la longitud del intervalo. La estimación de la media poblacional
con una confianza del (1-  ) % en el caso de conocerse la desviación

estandar σ es:   x  z / 2 x  x  E
En caso de no conocerse la desviación estandar σ, es necesario estimarla

mediante el valor muestral S por lo que:   x  t n 1  / 2 S x  x  E
En ambos casos se obtiene un intervalo delimitado por un límite superior y un
límite inferior, los que reciben el nombre de fiduciales vocablo que se refiere a
confiabilidad, la que se cuantifica mediante probabilidades.
La confianza del intervalo (1-α) expresa la probabilidad de que el

intervalo incluya el verdadero valor de la media poblacional µ.
La longitud de un intervalo, dada por E, está relacionada con la precisión de
la estimación. A igual confianza, intervalos más cortos son más precisos.
Examinando la fórmula se observa que la longitud de un intervalo depende:
a) Directamente de la confianza: a menor confianza, corresponde mayor α
y consecuentemente menor valor de “tα/2” o de “z α/2” por lo que
disminuye E. (Lo ideal es aumentar la precisión, es decir disminuir el E,
manteniendo la confianza fija o sea sin sacrificar la confianza).
b) Directamente de la variabilidad de la población. Recuérdese el dicho: Para
muestra basta un botón que se refiere a la homogeneidad de una
población de botones de igual forma, tamaño, color y material.
c) Indirectamente del tamaño de la muestra: S x es inversamente
proporcional al tamaño muestral n. Además el valor de “t” de tabla, para
igual α disminuye con n.
Muchas veces el error de estimación se expresa porcentualmente en relación

E
a la x . E(%)   100
x
Es posible fijar el valor de E (ó E%) requerido en la estimación por intervalo y
en ese caso calcular el tamaño de la muestra necesario “n" para lograr la
precisión deseada. Las fórmulas para tal fin son:
2 2
tS   t  CV% 
1.- Población infinita n  ; n 
 E   E% 
t2  S2 t 2  CV%2
2.- Población finita n ; n 
t2  S2 t 2  CV%2
E2  E%2 
N N
Donde el CV% es el coeficiente de variación expresado en porcentaje:
S
CV%  100
x
Para calcular el tamaño n necesario para los requerimientos de precisión de
un muestreo, es imprescindible contar con una estimación de la variabilidad
(S). Si ésta no se conoce de estudios o publicaciones anteriores el

procedimiento para obtenerla es extraer una muestra piloto de tamaño np la
cual tiene como único objetivo estimar la variabilidad para luego, si fuera
necesario, seleccionar nuevas unidades hasta alcanzar el tamaño requerido.
Los requerimientos del muestreo, principalmente confianza y magnitud del
error E (ya sea E o E%) son fijados por el técnico que efectúa el estudio o en
muchos casos por el pliego de condiciones del contrato para su realización.
Es frecuente que la precisión de la estimación se establezca mediante un E%.
Ventajas y desventajas del muestreo al azar simple

El muestreo al azar sin restricciones, produce estimaciones sin tendencia de
la población y permite estimar el error de muestreo, pero presenta las
siguientes desventajas:
 En algunos casos, la necesidad de planificar el listado de las unidades de
muestreo, para seleccionar aleatoriamente las que integrarán la muestra.
 La dificultad de localizar en el campo la posición de las unidades
muestrales dispersas en la población.
 El tiempo improductivo y gasto en el desplazamiento entre las unidades de
la muestra.
 La posibilidad de una distribución concentrada de las unidades en sectores
de la población.
Por estos motivos, el muestreo aleatorio simple se recomienda para los
inventarios de pequeñas áreas o poblaciones, que presenten gran
homogeneidad en la variable de interés y sean de fácil acceso.
Por ejemplo en las plantaciones forestales pequeñas, generalmente
homogéneas, las unidades muestrales se establecen, naturalmente, más
próximas entre si, lo que exige un desplazamiento menor entre las unidades
y, por lo tanto, mayor eficiencia en el trabajo de campo. Además, para el
mismo error de muestreo y probabilidad fijados, las poblaciones homogéneas
necesitan menor intensidad de muestreo que las heterogéneas.
Para evitar estos inconvenientes se han desarrollado métodos de muestreo al
azar con restricciones como el Muestreo al Azar estratificado (MAE) que se
describe a continuación.
Ejemplo 1. En la Tabla 4 se presenta una población de un ecosistema

boscoso de 45 has, enumerada totalmente a través de una división en 450
unidades de forma rectangular, de 20 m de ancho por 50 m de largo, o sea
1000 m2 (0,1 ha) de superficie. Para cada unidad se presentan los valores de
biomasa de árboles y arbustos por hectárea obtenidos de un censo. Es éste
un caso ideal pues la realidad no suele presentarse de manera tan sencilla.
La población se estructuró en filas numeradas del 1 al 30, y columnas,
numeradas del 1 al 15, para facilitar la identificación de las unidades.
Se determinaron los parámetros de la población, o sea los valores reales
(Tabla 3) para poder compararlos con las estimaciones obtenidas por los
diversos procesos de muestreo. Esto facilitara la comprensión de los
procedimientos y permitirá verificar la eficiencia de cada proceso.

Tabla 3. Parámetros de la población de biomasa (tn/ha). N = 450 parcelas

de 1000 m2
Media poblacional µ Variancia poblacional σ2 Máximo Mínimo

225,50 6548,39 63 415
Suponga desconocidos los parámetros que figuran en la tabla 3.
Se desea estimar la biomasa media poblaciónal con una confianza y un error
de estimación E% no mayor del 15 %. Para ello se sugiere seguir los
siguientes pasos
a) Para estimar la variabilidad extraiga al azar una muestra piloto de tamaño
np = 10 unidades de muestreo. Calcule con estos datos los valores
muestrales: x , S , CV % .
b) Con los valores obtenidos, determine el tamaño de muestra necesario
para no cometer un error mayor que el especificado.
c) Extraiga la muestra definitiva y estime la media poblacional con un 95% de
confianza.
d) Calcule el error porcentual cometido y compare con el especificado.
Tabla 4. Población de 450 parcelas rectangulares en un ecosistema. Valores de

biomasa en tn/ha.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 80 92 96 94 90 85 73 63 83 101 115 156 87 109 111
2 99 69 102 103 91 123 83 128 68 98 86 88 95 97 74
3 86 69 85 127 98 102 98 179 71 116 98 101 88 125 110
4 81 89 122 110 80 99 184 81 85 114 191 132 122 110 156
5 131 115 92 76 136 157 95 80 89 85 126 106 104 144 116
6 162 100 118 90 116 83 163 95 107 125 145 162 87 225 255
7 166 164 191 190 165 155 186 188 156 108 116 177 229 149 127
8 185 227 171 239 185 114 138 186 232 213 147 125 159 170 197
9 216 101 148 151 149 159 158 184 142 180 159 126 162 199 156
10 189 197 132 137 160 190 165 240 125 258 205 214 204 157 284
11 236 269 172 237 243 213 233 205 244 230 229 238 240 310 284
12 273 176 217 194 314 221 201 193 239 184 162 173 216 211 254
13 197 279 225 184 237 169 228 204 253 271 210 232 195 322 209
14 246 256 249 180 231 229 188 199 200 242 221 274 307 272 191
15 306 281 248 294 187 196 278 241 272 287 263 229 305 241 244
16 267 223 284 213 239 235 203 246 307 264 236 199 227 219 176
17 204 256 273 246 279 259 192 221 294 282 291 232 199 259 256
18 253 228 259 263 292 239 223 335 359 259 319 244 307 351 295
19 280 256 292 386 289 327 283 219 232 349 326 262 229 253 331
20 324 273 365 268 232 266 249 317 298 292 246 358 226 305 338
21 301 268 323 276 289 347 231 278 205 284 213 243 214 339 296
22 402 241 360 399 278 346 247 279 253 366 248 335 283 249 229
23 226 255 229 247 269 242 267 207 233 317 336 225 287 207 229
24 305 255 257 210 265 270 337 307 318 228 314 321 224 297 238
25 267 239 298 248 309 279 269 253 261 318 271 322 218 234 280
26 318 306 327 320 255 258 242 228 266 292 309 263 262 379 322
27 318 329 248 287 267 273 339 345 272 283 348 221 307 262 280
28 292 415 287 259 255 266 384 336 363 311 267 313 330 232 235
29 255 314 335 331 273 339 351 325 257 301 286 285 283 278 342
30 320 377 337 400 370 379 269 224 345 269 368 312 367 358 348

a) La selección de cada parcela se efectuó eligiendo al azar la fila (1 al 30) y la

columna (1 al 15). La muestra piloto se presenta en la Tabla 5.
Tabla 5. Muestra piloto obtenida por MAS de la población de la Tabla 3.
Fila Colum. Biomasa

(tn/ha)
1 11 6 213
2 10 9 125 x  204; S  85,82;
3 26 4 320 S2  7364,89; CV %  42,07
4 11 3 172
5 14 8 199
6 5 3 92
7 13 12 232
8 23 4 247
9 3 11 98
10 29 15 342
b) Cálculo del tamaño de muestra definitivo: Siendo t (9)0,025 = 2,262

t 2  CV %2 ( 2,262  42,07 )2
n   36 ,94  37
2 t 2  CV %2 2 ( 2,262  42,07 )2
E%  15 
N 450
El cálculo del tamaño de muestra definitivo no finaliza aquí: se observa una

inconsistencia: se calculó inicialmente con un “t” para 9 grados de libertad y se
obtiene un tamaño de n=37. Se debe repetir el cálculo ahora con “t” correspondiente
a 36 grados de libertad. Este cálculo debe repetirse tantas veces como sea
necesario hasta que los v grados de libertad con los que se buscó “t” en la tabla, se
correspondan con el resultado obtenido.
Para t (36)0,025 = 2,028 ( 2,028  42,07 )2

n  30
2 ( 2,028  42,07 )2
15 
450
Para t (29)0,025 = 2,045 ( 2,045  42,07 )2

n  31
2 ( 2,045  42,07 )2
15 
450
Para t (30)0,025 = 2,042 ( 2,042  42,07 )2

n  31
2 ( 2,042  42,07 )2
15 
450
El tamaño de la muestra definitiva es entonces: n = 31
c) A continuación se seleccionan al azar las 21 parcelas necesarias para completar
la muestra de modo que el tamaño de la muestra sea n = 31, la que se presenta en
la tabla 6

Tabla 6. Muestra definitiva

i Fila Colum Biom. i Fila Colum Biom. i Fila Colum Biom.
tn/ha tn/ha tn/ha
1 11 6 213 11 18 14 351 21 17 13 199
2 10 9 125 12 24 14 297 22 8 4 239
3 26 4 320 13 4 13 122 23 7 3 191
4 11 3 172 14 2 15 74 24 23 9 233
5 14 8 199 15 19 5 289 25 24 7 337
6 5 3 92 16 11 13 240 26 8 6 114
7 13 12 232 17 25 9 261 27 8 15 197
8 23 4 247 18 3 4 127 28 17 8 221
9 3 11 98 19 8 14 170 29 11 2 269
10 29 15 342 20 10 14 157 30 10 6 190
31 4 15 156
Estadísticos de la muestra definitiva expresados en tn/ha: n = 31

x  208 ,84 ; S  76 ,51; S 2  5853,87 ; CV%  36 , 64%
S n 76 ,51 31 76 ,31
Sx  1  (1 ) ( 1  0,0689 )  13,26
n N 31 450 31

Estimación por intervalo de µ del 95% de confianza:   x  t n1 / 2 S x  x  E

  208,84  t 30 0 ,025 S x  X  E  208,84  2,04  13,26 
 208,84  27 ,5 236 ,34 tn / ha límite fiducial superior
181,34 tn / ha límite fiducial inferior
La media poblacional µ = 225,50 tn/ha pertenece al intervalo de estimación. Este
intervalo es uno de los 95 (cada 100) intervalos que contendrán a µ.
expresado de otra manera la confianza de este intervalo del 95% significa que:
P    ( 181,34; 236 ,34 )  0 ,95
Si se calcula el E% se obtiene el valor de 13,17% el que se encuentra dentro de lo
exigido.
Si la fracción de muestreo n/N fuera menor de 0,02, no sería necesario utilizar el
factor de corrección para población finita: n porque su influencia sería

(1 )
N
insignificante
3.2. Muestreo al azar estratificado (MAE)
El tamaño de muestra necesario para estimar los parámetros de una población con
una precisión previamente fijada depende de la variabilidad de dicha población. Si la
variabilidad es grande, la intensidad de muestreo debe ser alta, por ende el número
de unidades a muestrear y en consecuencia los costos de muestreo serán mayores.
Si la variancia fuera pequeña, la intensidad de muestreo será reducida y los costos
de muestreo serán menores.

El fundamento más importante de este método de muestreo consiste en la división

de la población en partes o estratos (grupos de unidades de muestreo) homogéneos
internamente, de acuerdo a la o las características que se van a estudiar. La
variabilidad dentro de cada uno de ellos debe ser inferior a la variabilidad total de la
población sin estratificar.
La división de la población en estratos se basa en un conocimiento previo de la
misma para poder agrupar las unidades de acuerdo a su semejanza en alguna(s)
característica(s) de interés
Este tipo de muestreo, aprovecha esta información previa y logra, de esta manera,
estimaciones más precisas, a la vez que utiliza muestras de menor tamaño n. Si la
variabilidad entre las unidades dentro de cada estrato, es menor que la variabilidad
entre las unidades de toda la población, los estimadores de los parámetros
poblacionales serán más precisos que los que se obtienen mediante el MAS.
El procedimiento de muestreo consiste en muestrear en forma individual (con MAS)
cada uno de los estratos y combinar los estimadores de cada uno de ellos para
obtener los estimadores finales de la población.
Criterios para estratificación

Se puede tomar como base varios criterios para estratificar tales como: topografía
del terreno, altura, edad, densidad, etc. Siempre que sea posible, la base para la
estratificación debe ser la variable que será estimada. Para la estratificación
generalmente se usan fotografías aéreas.
Ventajas:
Permite estimaciones separadas de la media y la variancia para cada estrato.
Para una misma intensidad de muestreo, frecuentemente la estratificación produce
estimaciones más precisas de los parámetros poblacionales que el MAS. Esto se da
cuando la estratificación produce una mayor homogeneidad de las unidades
muestrales dentro de los estratos que para la población como un todo.
Desventajas:
Las unidades muestrales deben tomarse en todos los estratos.
Los tamaños de los estratos deben ser conocidos o, al menos una estimación
razonable debe estar disponible. En caso contrario se debe recurrir a otro tipo de
muestreo: muestreo bifásico en el cual, en la primera fase se obtiene una muestra
para estimar las proporciones de los estratos y, en la segunda se realiza el MAE.
Utilización del MAE

La estratificación es una de las más importantes medidas para elevar la
eficiencia en los estudios de poblaciones por muestreo. Se utiliza especialmente
cuando éstas se componen de partes claramente definidas ó diferenciables. Cuánto
mayor sea esta diferenciación, más ventajosa será la estratificación.
Si los estratos están compuestos por partes pequeñas, mezclándose unos
con otros, como si fuera un mosaico, puede el costo de la estratificación tornarse
irrealizable. Éste es el caso de los inventarios nacionales forestales en Europa
Central.
Una base importante para una estratificación exitosa es el material de
fotografías aéreas o de imágenes satelitales de la región objeto de estudio.
La mayor ventaja de la estratificación, junto con la considerable reducción de
los costos, consiste en la división de la superficie en partes significativas, para las
que en ocasiones existe información disponible.

E s tra to 1 d e ta m a ñ o N 1.
N 1 N 1
 x 1i  ( x1i   1 ) 2
i1 2 i1 N 1
 1  ;  1  ; P1 
N 1 N 1 N
Estrato 2 de tamaño N 2
N 2 Estrato 3 de
 2 ;  22 ; P 2  tamaño N 3
N
N3
 3 ;  32 ; P 3 
N
M
Figura 1. Esquema de una población estratificada de tamaño N   N j con M=3
j 1
estratos.
La estratificación puede usarse con todos los tipos de unidades de muestreo. En

lugar de distribución aleatoria dentro de los estratos suelen usarse por razones
prácticas una distribución sistemática; en este caso es un muestreo estratificado
sistemático
Antes del estudio de un ejemplo, es conveniente enumerar las etapas de este
método de muestreo.
1.- Dividir la población en M estratos lo más homogéneos posibles. El número
de estratos se designa con M, el tamaño poblacional de cada estrato con Nj y el
M
número total de unidades de la población con N   N j . Se debe buscar
j 1
homogeneidad dentro de los estratos sin importar la diferencia entre ellos.
Consecuentemente con esta división se debe hacer una correcta identificación de
las unidades de muestreo, para facilitar los procesos de elección y localización de
dichas unidades. Ejemplos: a) en un estudio de insectos en un ecosistema forestal
los estratos pueden ser: copa, sotobosque y suelo. b) en una población de
mamíferos los estratos podrían conformarse con edades y sexo. c) en el estudio de
la potabilidad de las aguas de un río la estratificación debe tener en cuenta la
presencia de fábricas y poblaciones.
2.- Determinar el tamaño definitivo de la muestra “n”. Para ello lo primero que
hay que hacer es estimar la variabilidad de cada estrato. Si no hubiera antecedentes
se deberán realizar muestreos pilotos en cada uno de ellos. Luego calcular “n”
definitivo mediante fórmulas que varían de acuerdo con la manera de constituir la
muestra (distribución de la muestra en los estratos conocida con los nombres de
asignación, alocación o afijación) ver tabla 8. Generalmente en el muestreo piloto se
seleccionan al azar igual cantidad de unidades de muestreo en cada estrato.

3.- Distribución de la muestra total en cada uno de los estratos es decir

determinar los “nj”, de acuerdo a los siguientes criterios:
a) Asignación proporcional (los “nj” dependen de los tamaños de los estratos)
b) Asignación óptima con igual costo por estrato (aquí además se considera la
variabilidad de los estratos “Sj”);
c) Asignación óptima con costo variable (además de las consideraciones a) y b)
también se toma en cuenta el costo de muestreo en cada estrato “cj”)
4.-Cálculo de estimadores, variancias, errores e intervalos de confianza. También
en esta etapa se utilizarán diferentes fórmulas, según el tipo de asignación (tabla 9).
Las fórmulas generales que corresponden al MAE son las que se presentan en la
tabla 7
Tabla 7. Muestreo al azar estratificado. Simbología y fórmulas generales

El subíndice “j” designa al estrato y varía de 1 a M (número de estratos). El subíndice “i”
designa a la unidad dentro del estrato j-ésimo. Varía desde 1 a Nj en la población o desde 1 a nj
en la muestra (La tabla ccontinúa en la página siguiente)
POBLACIÓN MUESTRA
Tamaño del estrato: Nj Número de unidades muestreadas en
el estrato j: nj
Tamaño de la población: Tamaño de la muestra
M M
N   Nj n   nj
j1 j1
Media del Estrato j Media muestral del estrato j:

Nj nj
 xij
j 1
x ij
j  xj  i 1
Nj
nj
Variancia del estrato j Variancia muestral del estrato j
Nj nj 2
2
 x
j1
ij  j   x ij  xj 
2
 
j
2
S 
j 1
Nj j
nj  1
Proporción del estrato j Proporción muestral del estrato j
Nj nj
Pj  pj 
N n
Número de estratos = M
Media poblacional total o general Media muestral general

M M
   P j  j x   Pj  x j
j 1 j 1
Variancia de la media muestral

2
M
2
S 2j 
2
Mnj  2 (1)
S  P S P  1 
n j  N j 
x j xj j
j1 j1
(1)
Si la población es infinita o el muestreo es con reposición en población finita o cuando la fracción
de muestreo en cada estrato es menor al 2% se puede prescindir del factor de corrección para
población finita
La estimación por intervalo de µ es por lo tanto (fórmula general):

ˆ  x  t( v ) / 2  S xe
En caso de probarse la homogeneidad de variancias dentro de los estratos, el
intervalo de estimación se construye con t  n  M  / 2 , lo que además permite trabajar
con la variancia común. Si por el contrario las variancias dentro de los estratos
fueran diferentes, los “v” grados de libertad están entre el valor mas pequeño de
los grados de libertad de cada estrato y la suma de ellos. Satterthwaite en 1946
(Citado por Cochran 1974) propone la siguiente a proximación de “v”:
2
 M 2

  gjSj 
N j ( N j  nj )
v   M 2 4
j1
donde g j 
gj Sj nj
n
j 1 1
j
Cálculo del tamaño de muestra definitiva n.

Antes de efectuarlo es necesario definir que criterio se utilizará para la asignación de
los estratos a la muestra, pues de esto depende las fórmulas a utilizar, las que se
encuentran en la tabla 8.
Tabla 8. Fórmulas para el cálculo del tamaño de muestra definitivo “n” según
criterios
Criterio n
Pobl. Infinita Pobl. finita
M
M
t 2  Pj  S 2j
Propor. al tamaño de t 2  Pj  S 2j j1
n 2 M
los estratos n
j 1 t
E2  P S 2
E2 N j1
j j
2
Propor. a la
2  M 
 M
 2
t   Pj  S j 
variabilidad: óptima t 2   Pj  S j   j1 
si el costo es igual n
n  
j 1
t2 M
en todos los estratos 2 E   Pj  S j2
2
E N j1
Asignación de los tamaños de muestra n j . Una vez encontrado n es necesario

M
calcular los valores correspondientes a cada estrato ( n j ) de tal modo que n j  n.
j 1
Los tres criterios consisten en:
a) Distribución proporcional al tamaño Nj de cada estrato

Las unidades de muestreo se distribuyen proporcionalmente al área de cada
estratoy de tal forma que debe cumplirse la siguiente igualdad:
Nj Nj nj nj
Pj  M   M   pj  n j  Pj  n
N n
Nj
j 1
 nj j1
Los estratos mayores contribuyen por lo tanto con más unidades a la muestra.
b) Distribución óptima con igual costo de muestreo por estrato

Las unidades de muestreo se distribuyen proporcionalmente a la variabilidad de y
tamaño de cada estrato, considerando que el costo de muestreo es igual en todos
los estratos (Neyman). Con este criterio se consigue la mayor precisión de la
estimación para un n dado.
pS
nj  M j j  n
 pj S j j 1
c) Distribución óptima con costo de muestreo variable

Los costos del muestreo dependen de las características de la población objeto del
estudio. Si en cada estrato los costos de inventario por parcela se alejan del costo
medio y se conocen los costos de cada uno de ellos, la distribución de la muestra
puede ser optimizada de modo que, para un costo total fijo se obtenga el menor
pj S j
cj
error posible : n j  n donde cj es el costo de muestreo en el estrato “j”.
M pjSj

j 1 cj
Una vez calculados los valores de los nj, se procede a la selección aleatoria de la
muestra definitiva. Para construir los intervalos de estimación deben emplearse las
formulas de S x2 de la tabla 9 y los grados de libertad que se indicaron anteriormente.
Tabla 9. Fórmulas para el cálculo de S x2 según criterios
Criterio S x2
Población Infinita Población finita
Propor. al tamaño de 1 M 1 1  M
S x2   Pj  S j2 S x2      Pj  S j2
los estratos n j1  n N  j 1
2
Propor. al tamaño y a 2  M  M
1 M    Pj  S j   Pj S 2j
la variabilidad (óptima S x2    Pj  S j 
S x2     j1
j  1
de costos iguales) n  j1 
n N
2
Criterio S x
Población Infinita Población finita
1 M M Ps 
j j 1 M M Ps 
j j 1 M
Distrib. óptima S2x   Ps
j j c j   Sx2   Pj sj cj    Pj s2j
n 1 1 c  n 1 1 cj  N 1
 j  
Supóngase ahora que la población de la Tabla 4 se encuentra dividida en M = 3

estratos identificados por los números romanos I, II y III (tabla 10). Éstos se
diferencian entre sí por las especies que los componen, sus densidad y
biomasas.

Tabla 10. Población estratificada de 45 hectáreas. Datos de biomasa en

tn/ha.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 ESTRATOS
1 80 92 96 94 90 85 73 63 83 101 115 156 87 109 111
2 99 69 102 103 91 123 83 128 68 98 86 88 95 97 74
3 86 69 85 127 98 102 98 179 71 116 98 101 88 125 110
4 81 89 122 110 80 99 184 81 85 114 191 132 122 110 156 I
5 131 115 92 76 136 157 95 80 89 85 126 106 104 144 116
6 162 100 118 90 116 83 163 95 107 125 145 162 87 225 255
7 166 164 191 190 165 155 186 188 156 108 116 177 229 149 127
8 185 227 171 239 185 114 138 186 232 213 147 125 159 170 197
9 216 101 148 151 149 159 158 184 142 180 159 126 162 199 156
10 189 197 132 137 160 190 165 240 125 258 205 214 204 157 284
11 236 269 172 237 243 213 233 205 244 230 229 238 240 310 284
12 273 176 217 194 314 221 201 193 239 184 162 173 216 211 254
13 197 279 225 184 237 169 228 204 253 271 210 232 195 322 209
14 246 256 249 180 231 229 188 199 200 242 221 274 307 272 191
15 306 281 248 294 187 196 278 241 272 287 263 229 305 241 244 II
16 267 223 284 213 239 235 203 246 307 264 236 199 227 219 176
17 204 256 273 246 279 259 192 221 294 282 291 232 199 259 256
18 253 228 259 263 292 239 223 335 359 259 319 244 307 351 295
19 280 256 292 386 289 327 283 219 232 349 326 262 229 253 331
20 324 273 365 268 232 266 249 317 298 292 246 358 226 305 338
21 301 268 323 276 289 347 231 278 205 284 213 243 214 339 296
22 402 241 360 399 278 346 247 279 253 366 248 335 283 249 229
23 226 255 229 247 269 242 267 207 233 317 336 225 287 207 229
24 305 255 257 210 265 270 337 307 318 228 314 321 224 297 238
25 267 239 298 248 309 279 269 253 261 318 271 322 218 234 280
26 318 306 327 320 255 258 242 228 266 292 309 263 262 379 322 III
27 318 329 248 287 267 273 339 345 272 283 348 221 307 262 280
28 292 415 287 259 255 266 384 336 363 311 267 313 330 232 235
29 255 314 335 331 273 339 351 325 257 301 286 285 283 278 342
30 320 377 337 400 370 379 269 224 345 269 368 312 367 358 348
Los parámetros de la población y de cada uno de los estratos se presentan en la

tabla 11.
Tabla 11: Datos de la población estratificada y sin estratificar

Estrato N P Media µ Variancia σ2 Máx. Mín.
I 143 0,3178 131,38 1950,53 63 255
II 166 0,3689 251,36 2216,01 125 386
III 141 0,3133 290,50 2315,78 207 415
Población sin 450 1 225,50 6548,39 63 415
estratificar
Nótese que la variancia de la población sin estratificar es sensiblemente mayor que

las variancias de los estratos. Ello se debe a que la primera también incluye las
diferencias entre las medias de los estratos. Este hecho se representa en la Figura 2
y se explica más detalladamente en el párrafo que sigue.

Box plot de la población

Box plot por estratos
433
433
336 336
Biomasa en tn/ha
Biomasa en tn/ha
239 239
142
142
45
I II III 45
ESTRATO
(a) (b)
Figura 2: Descripción gráfica de la variable biomasa (tn/ha) de los estratos (a) y
de la población (b).
En la tabla 11 y en la figura 2 se encuentra la respuesta a porqué el MAE es más

eficiente y preciso que el MAS: en el primero se considera únicamente la variabilidad
dentro de los estratos (ver figura 2 a) mientras que en la población sin estratificar la
variabilidad es mayor (figura 2 b) porque incluye también la variabilidad entre los
estratos: σ2 de la población sin estratificar 6548,39 es mayor que cualquiera de los
σ2j, debe ocurrir cuando la estratificación está bien realizada.
Ejemplo de aplicación de MAE:
Suponga desconocidos los parámetros de la población y estime la media de la

población estratificada con un 95% de confianza y que el error porcentual de
estimación no supere el 15%. Los costos de muestreo por unidad muestral son
iguales en todos los estratos. Utilice alocación óptima. Se recomienda seguir los
pasos que se indican a continuación:
a) Extraiga una muestra piloto al azar de 3 unidades de muestreo en cada uno
de los estratos.
b) Defina el criterio de alocación que utilizará. Calcule el tamaño de muestra
definitivo para estimar a la media de la población estratificada con el 95% de
confianza y E% = 15. En este caso utilice la alocación óptima de costos iguales.
c) Extraiga la muestra definitiva.
d) Por intervalo del 95% de confianza, estime la media poblacional para cada
uno de los estratos y para la población completa. En este último caso compare el
error porcentual de estimación con el especificado.
e) Compare el tamaño de la muestra con el correspondiente al obtenido en el
muestreo al azar simple.
Resolución a) Al suponerse desconocidos los parámetros poblacionales es
necesario extraer una muestra piloto en cada estrato “j” de tamaño npj para
estimar las Sj2. Para obtenerla se realiza un MAS en cada estrato, en este caso de
npj = 3 en cada uno de ellos

Tabla 12: Muestra piloto obtenida de la población de la tabla 10

Estrato I Estrato II Estrato III
Fila – Col. Biomasa Fila – Col. Biomasa Fila – Col. Biomasa
10 - 4 137 21 - 6 347 21 - 15 296
9-1 216 15 - 8 241 21 - 12 243
8-9 232 12 - 10 184 25 -12 322
Con esta muestra piloto se calculan los estimadores muestrales con la finalidad de
calcular el tamaño de muestra definitiva.
Tabla 13: Estimadores muestrales de los estratos y cálculos auxiliares para

determinar el tamaño de muestra definitivo
Estrato np j Pj xj Sj S 2j Pj x j Pj S j Pj S 2j
I 3 0,3178 195,00 50,86 2587,00 61,971 16,1633 822,1486
II 3 0,3689 257,00 82,72 6842,33 94,8073 30,5154 2524,1355
III 3 0,3133 287,00 40,26 1621,00 89,9171 12,6135 507,8593
Totales 9 1 xe =
246,6954 59,2922 3854,1434
b) Cálculo del tamaño de muestra definitiva con alocación óptima para estimar
por intervalo del 95% de confianza y E% = 15%. Se tomará un valor de t transitorio
para comenzar los cálculos: t( 9  3 )0 ,025  2 ,447
El error del 15% de la media es: 0,15 x xe = 0,15 x 246,6954 = 37 tn/ha
2
 M
2

t   Pj  S j 
 j1  2,447 2  59, 2922 2
n   14 ,8  15
2 t2 M 2 2 2,447 2  3854,1434
E   Pj  S j 37 
N j1 450
Ahora se calcula nuevamente n con t para 12 grados de libertad: t( 15  3 )0 ,025  2 ,179 , y

se obtiene n = 12 ( t( 12  3 )0 ,025  2 ,262 ). Se aplica iterativamente la formula hasta llegar
a estabilizar el tamaño n con el n de los grados de libertad, repitiendo el cálculo las
veces que sea necesario, de la siguiente manera:
Con t( 12  3 )0 ,025  2 ,262 se obtiene n = 13.
Para t( 13  3 )0 ,025  2 ,228 se obtiene n = 12, es decir que el “n” definitivo está entre 12 y
13. Se tomará 13. ¿Cómo se distribuyen estas 13 en los tres estratos?. Para la
alocación óptima de costos iguales:
pj S j
nj  M
n

j 1
pj S j
lo que da como resultado: n1  3,54  4; n2  6 ,69  7 ; n3  2,77  3 . Por

cuestiones de redondeo, el tamaño de la muestra definitiva será n = 14.
c) Extracción de la muestra definitiva: Se eligen al azar en cada estrato las

unidades muestrales faltantes para completar los tamaños requeridos: una para el
estrato II y tres para el estrato II. La constitución de la muestra definitiva es la que se

presenta en la tabla 14.
Tabla 14. Muestra definitiva

Estrato I Estrato II Estrato III
Fila – Col. Biomasa Fila – Col. Biomasa Fila – Col. Biomasa
10 - 4 137 21 - 6 347 21 - 15 296
9-1 216 15 - 8 241 21 - 12 243
8-9 232 12 - 10 184 25 -12 322
4-9 85 14 - 3 249
19 – 2 256
18 – 11 319
13 – 15 209
En la tabla 15 se presenta un ordenamiento para facilitar los cálculos necesarios
Tabla 15: Estadísticos de la muestra definitiva y cálculos auxiliares

Estrato Pj nj xj Sj S 2j Pj x j Pj S j Pj S 2j
I 0,3178 4 167,50 68,92 4749,67 53,2315 21,902776 1509,44513
II 0,3689 7 257,86 57,58 3315,48 95,124554 21,241262 1223,08057
III 0,3133 3 287,00 40,26 1621,00 89,9171 12,613458 507,8593
238,273154 55,757496 3240,385
Valores de biomasa de los estratos en la muestra definitiva
420,00
350,00
280,00
Biomasa
210,00
140,00
70,00
I II III
Estratos
Figura 3: Boxplots de la muestra definitiva según estratos

En el gráfico se vislumbra la posibilidad de aceptar la homogeneidad de la variancia
de los estratos. Para asegurar se efectuó la prueba de Levene, cuya H0 es: las
variancias son homogéneas. A continuación se presenta la salida del análisis de la
variancia de los residuos absolutos (Prueba de Levene):
Análisis de la varianza
Variable N R² R² Aj CV
RABS_Biomasa 14 0,12 0,00 65,62
Cuadro de Análisis de la Varianza (SC tipo III)
F.V. SC gl CM F p-valor
Modelo 1278,07 2 639,04 0,77 0,4864
Estrato 1278,07 2 639,04 0,77 0,4864
Error 9127,35 11 829,76
Total 10405,43 13

El resultado da un valor de p = 0,4864 y por lo tanto no se rechaza la

homogeneidad.
Esta característica representa una ventaja ya que permite trabajar con v = n – M
grados de libertad en la estimación por intervalo y utilizar una variancia común: Sc2
La variancia común se calcula como sigue:
(n  1) S12  (n2  1) S22 (n3  1) S32 37383,86
Sc2  1  =3398,53
n1  n2  n3  M 11
d) Estimación por intervalo del 95% de confianza de µ con error porcentual ≤

15%.
A continuación debe encontrarse el valor de S x2 cuya fórmula se simplifica porque al
M
ser Sc2 un valor constante, sale de las sumatorias y queda, en ambos casos P j  1.
j 1
2 2
 M  M
2
 M  M
 j c  j 
2 2
P  S j   Pj S j S P Sc  Pj
3398,53 3398,53
2
Sx   j1  
j 1
  j1  
j 1
   235 ,1999
n N n N 14 450
Solo resta ahora determinar el intervalo de estimación para : ̂ y ̂ j
ˆ  x  t( n M ) / 2  S xe  228,2732  2,201  235,1999 
=
 228,27  33,80
El intervalo de estimación de µ del 95% de confianza es (194,47; 262,07)
El error de estimación porcentual es E% = 100*E/ x = 100*33,80/228,37 = 14,8%,

valor que cumple con las exigencias de precisión establecidas para esta estimación.
También se observa que el intervalo de estimación abarca a µ = 225 tn/ha.
La estimación por intervalo de las medias poblacionales de los estratos se realiza
mediante: ˆ j  x j  t( n j  1 ) / 2  S x j
Sc2 nj
Si se trabaja con variancia común: S x2 j  (1 ) y los grados de libertad son
nj Nj
n j  1 . La corrección por población finita puede despreciarse pues en ninguno de
los estratos la fracción de muestreo es mayor del 2%
Tabla 16. Intervalos de estimación del 95% de confianza de los tres estratos
Lim.
Sxj Lim sup.
Estrato xj nj Ej Inf.
(tn/ha)
E%
(tn/ha)
I 167,50 29,15 4 92,75 74,75 260,25 55,4
II 257,86 22,03 7 53,92 203,94 311,78 20,9
III 287,00 33,66 3 144,83 142,17 431,83 50,5
La gran amplitud de los intervalos de estimación de ̂ j se debe a los tamaños
pequeños de los nj .
d) Compare el tamaño de la muestra con el correspondiente al obtenido en

el muestreo al azar simple.
En el MAS se necesitaron 31 unidades muestrales para la estimación de µ mientras

que con el MAE sólo 14. La mayor precisión de este tipo de muestreo produce
beneficio económico.
En caso de desconocerse las proporciones de los estratos es necesario efectuar

un doble muestreo (ó muestreo bifásico) en la población estratificada. La primera
muestra, generalmente de mayor tamaño n´ y la segunda de tamaño n es más
pequeña. En la primera se estiman las proporciones pj de los estratos (por ejemplo
mediante fotoplots) y en la segunda las medias y variancias de los estratos (ej.
parcelas en terreno para estimar biomasa por ha). Las fórmulas y variancias son las
que siguen
M
n´
pj  i
n´
; n´   n´
j
j ;x= px
j=1
j j ;
2
 2 pj  S j 1

2
S    pj 
x  
n´  n j n´  p j x 2j   p x 
j j
2

Obsérvese que el estimador S x2 incluye además la variabilidad debida a los
estimadores de las proporciones de los estratos.
3. 3. Muestreo sistemático
En el muestreo sistemático (MS) las unidades muestrales se eligen de acuerdo a
una regla fija, predefinida con anterioridad, como por ejemplo: control de daños en
cada centésima planta en un vivero, o entrevista a cada milésimo visitante de un
parque nacional o relevamiento con el método de los cuadrantes centrados en un
punto haciendo una estación cada cien metros en una red cuadrada regular, con el
propósito de cubrir toda la extensión. La primera unidad muestral suele ser elegida al
azar y, a partir de ella y siguiendo la regla fija pre-establecida son tomadas las
siguientes.
Desde el punto de vista estadístico cada unidad de muestreo no tiene la misma
probabilidad de ser elegida, ya que al ser seleccionada la primera, las restantes
quedan automáticamente fijadas. Desde el punto de vista práctico y considerando
que la madre naturaleza ha aleatorizado suficientemente las poblaciones, puede
aceptarse la inclusión de éste método de muestreo en los grupos de “igual
probabilidad”. Para quienes deseen ser más rigurosos, se recomienda aplicar la
fórmula de “diferencia de pares” de unidades sucesivas:
n 2
2
 x
i1
i  xi  1 
( x1  x 2 )  ( x2  x3 )  ...  ( xn  1  xn )
Sy   et al Forest (Loetsch
2n( n  1 ) 2n( n  1 )
Inventory Vol.1).
El muestreo sistemático es, en la mayoría de los casos, el procedimiento de
selección usado en los “inventarios” forestales y relevamientos de todo tipo de
ecosistemas.
Ventajas. La sistematización proporciona buena estimación de la media y el total

debido a la distribución uniforme de la muestra en la población.

Una muestra sistemática es ejecutada con más rapidez y menor costo que una
aleatoria, desde que la selección de las unidades de muestreo es mecánica y
uniforme sobre la población, es decir cubre más homgéneamente el área.
El desplazamiento entre las unidades es más fácil por el hecho de seguir una
dirección fija y preestablecida, resultando un tiempo y gasto menor y, por
consecuencia, menor costo de muestreo.
El tamaño de la población no precisa ser conocido, ya que las unidades que ocurren
dentro de un intervalo de muestreo fijado, son seleccionadas secuencialmente,
después de ser definida la unidad inicial.
En caso de ser conocida N, la primera unidad de muestreo puede ser aletorizada
entre el conjunto de las k primeras unidades. El valor de k es la recíproca de la
intensidad del muestreo f, ya que f = n/N y k = N/n e indica que en la población de
tamaño N serán muestreadas 1 de cada k unidades.
La ventaja del MS para estudios de ecosistemas de tamaño significativo
reside en la facilidad ubicar las unidades y, debido a ello, en su gran eficiencia
comparada con el MAS. Las fórmulas de éste último pueden ser usadas en el MS ya
que dan aproximaciones aceptables (tabla 2). La media muestral x  es un
estimador sesgado de  solo en caso de coincidencia de la red de muestreo con
tendencias cíclicas o periódicas en una población. El error estándar S x calculado
como si fuera MAS en un muestreo MS es sólo aproximado. La fórmula del MAS
produce una sobre estimación de aproximadamente un tercio.
La elección sistemática de las unidades muestrales suele usarse también en el MAE
(la muestra de cada estrato se elige sistemáticamente) y en otros métodos.
Desventajas: Cuando no se conoce la variabilidad de la población y es necesario

una muestra piloto para estimarla, de esa muestra piloto no se podrán utilizar todas
las unidades muestrales como en el MAS y en MAE, sino unas pocas.
Ejemplo de aplicación de MS.
a) Al tamaño de muestra obtenido en el MAS distribúyalo sistemáticamente en la
población de la tabla 4.
b) Estime la media poblacional con un 95% de confianza.
c) Calcule el error porcentual cometido y compare con el obtenido con los otros
métodos de muestreo.
a) El valor de k será k = 450/31 = 14,5. Se tomará k = 14. Se sortea una parcela
entre las 14 primeras y es elegida la tercera en la primera fila y luego cada 14
unidades las que se presentan en la tabla 17. Resultan en total 32 unidades
(n)

Tabla 17: Muestra sistemática obtenida de la población de la tabla 4 Con k =

14.
i Ubic: Biomasa i Ubic: Biomasa b) Efectuados los cálculos se obtienen
Fila- (tn/ha) Fila- (tn/ha) los siguientes valores:
colum. colum. x  221; S  86 ,02
1 1-3 96 16 15-3 248 ˆ  221  t( n 1 ) / 2 S x 
2 2-2 69 17 16-2 223
3 3-1 86 18 17-1 204 86 ,0817 32
 221  2,0395  1 
4 3-15 110 19 17-15 256 32 450
Se
5 4-14 110 20 18-14 351  221  29,91  ( 191,09 ; 250,91)
6 5-13 104 21 19-13 229
7 6-12 162 22 20-12 358 29,91
E%   100  13,53%
8 7-11 116 23 21-11 213 221
9 8-10 213 24 22-10 366 observa que el intervalo de estimación
10 9-9 142 25 23-9 233 contiene a  y
11 10-8 240 26 24-8 307 c) que el E% es menor del 15% . En la
12 11-7 233 27 25-7 269 tabla 18 se lo compara con los
13 12-6 221 28 26-6 258 obtenidos por los otros métodos
14 13-5 237 29 27-5 267
15 14-4 180 30 28-4 259
31 29-3 335
32 30-2 377
Tabla 18: Errores porcentuales (E%) y tamaño de muestra (n) obtenidos con los
distintos métodos de muestreo
Método E% Tamaño de muestra: n

MAS 13,2 31
MAE 14,8 14
MS 15,5 32
Se observa que todos han satisfecho la exigencia sobre el error porcentual, pero el
MAE lo hizo con un tamaño mucho menor, lo que demuestra la eficiencia de este
método.
a) b) c) d)
Figura 4: Croquis de campo de los principales tipos de muestreo: a) aleatorio
simple; b) sistemático; c) al azar estratificado y d) bietápico. Modificado de
Ferrando y Sendín, 2008.

3.4. Muestreo bietápico

En este tipo de muestreo se distinguen unidades primarias que se subdividen en
unidades secundarias. La aleatorización es restringida y se realiza en dos etapas:
en la primera se eligen unidades primarias al azar y en la segunda etapa, y
únicamente en las primarias que resultaron seleccionadas, se eligen al azar las
unidades secundarias en las que se hacen las mediciones u observaciones
programadas (ver croquis d de la figura 4). Las unidades primarias son N (1≤ i ≤ N) y
el número de las secundarias que hay en cada primaria, se designan con M (1≤ j ≤
M). En total la población tiene N x M unidades secundarias. En la muestra se eligen
al azar n unidades primarias y dentro de éstas, m secundarias. Así el tamaño de la
muestra es n  m .
Este muestreo es muchas veces convenientes por razones operativas y puede,
como todo los métodos de muestreo, combinarse con otros. Por ejemplo para hacer
encuestas en una ciudad se puede dividirla en estratos (barrios) y dentro de cada
barrio elegir al azar “n” manzanas (unidades primarias) y dentro de ellas “m” casas
también al azar. En este curso solo presentaremos el caso en que en las unidades
primarias hay el mismo número “M” de secundarias o subunidades. Es factible
aplicar este método cuando “M” no es constante sino que hay “Mi” subunidades en
cada primaria. (Cochran, ; de Vries 1986)
Si a su vez cada unidad secundaria está conformada por subsubunidades, el
muestreo se llama trietápico o en forma general multietápico. En la tabla 19 se
presentan las fórmulas utilizadas en este tipo de muestreo.
Tabla 19: Fórmulas del muestreo bietápico

Población Muestra
Media aritmética de todas N M n m
las unidades secundarias   xij

i 1 j 1
 x
i 1 j 1
ij
 x
NM n m
Media aritmética de las M m
unidades secundarias en x
j 1
ij x
j 1
ij
la j-ésima unidad i  xi 
primaria M m
Población Muestra
Variancia dentro de las n m 2
unidades primarias E(CMd ) 2   x
i 1 j 1
ij  xi 
CM d  Sd2 
n( m  1 )
(2)
Cuadrados Medios entre n
unidades primarias E( CM e )   2  m e2 (1) m  x i  x 

i 1
CM e  (2)
n1
Variancia entre las 1 1

unidades primarias  e2   ( E( CM e )   2 ) Se2 
( CM e  CM d )
m m
Variancia de 2 Se2 n Sd2 m
x S x  ( 1  )  (1 )
n N mn M
(1)E(CMe) : Esperanza del Cuadrado Medio entre unidades primarias
(2) Ambos valores se obtienen del Anova.

El intervalo de estimación se construye con t(n-m)
3.5. Métodos indirectos con el uso de una variable auxiliar: Estimadores de

razón y estimadores de regresión.
Para estimar a la variable de interés “y”, estos métodos utilizan la información
proporcionada por una variable explicativa (x), la que debe estar disponible o ser
más fácil y barata de medir y estar correlacionada con “y”. La variable auxiliar se
utiliza para mejorar la precisión de las estimaciones y no para la selección. En
ambos casos debe estar altamente correlacionada con “y” y relacionada linealmente.
Estimadores de razón (en el caso que la recta que las relaciona tenga ordenada al
origen nula: y = Rx).  x debe ser conocida. Se extrae una muestra bivariada de
tamaño n y se calcula R̂ cuyo valor es la estimación puntual de R. El intervalo se
construye con S R̂ y con t(n-1) (ver fórmulas abajo)
2 ˆ 2 S 2  2RS
ˆ
 y y
R  ˆ
; R
 y 2 1 Sy  R
 R ; S Rˆ  ( 1  f ) 2
x yx
 x x x x n
Donde f es la fracción de muestreo y Syx es la covariancia entre x e y.
Estimadores de regresión: La relación funcional es del tipo y = a + bx

Aquí también se supone conocida  x . Para estimar los parámetros de la regresión
(α y β) se extrae una muestra bivariada de tamaño n en la cual, por mínimos
cuadrados se estiman α y β con a y b. De esta muestra también se obtienen las
medias muestrales y, x.
De la teoría de regresión se sabe que ŷ x  a  bx   y x ,es decir, es una
estimación puntual de la media de y para un nivel dado de x.
Como x es conocida y la recta poblacional pasa por las medias de las dos
variables, una estimación puntual de la media de µy es es la que se obtienen para x
= µx:
ˆ y x  a  b x  y  b(  x  x )
x
Su variancia es
 
 1 ( x  x )  2
S 2ˆ y  S 2
yx
  n

 n 2 



i 1
( xi  x ) 

donde Syx es el error de estimación de la regresión El intervalo se construye con
t(n-2).
Doble muestreo o muestreo bifásico en estimadores de regresión o de razón:

En los casos más frecuentes la media poblacional de x no es conocida. Entonces es
necesario efectuar dos muestreos. Generalmente la primera muestra es numerosa
(n´) y con ella se estiman x para los estimadores de razón o regresión. En una
segunda muestra al azar mucho más pequeña, de tamaño “n” se estiman ya sea R ó

α y β según sea el caso. Para profundizar el tema consultar bibliografía sobre

muestreo como por ejemplo Cochran; DeVries o Lötsch.
MUESTREO NO PROBABILÍSTICO: Se designa también como muestreo opinático

o basado en criterio de expertos. Las unidades muestrales son seleccionadas en
base a criterios subjetivos. No deben ser usadas cuando se requiere rigor
estadístico. Son sin embargo muy útiles para estudiar gradientes en ecotonos.
4. UNIDADES DE MUESTREO EN VEGETACIÓN. Para organizar el estudio de la

UNIDADES DE MUESTREO se comenzará con aquellas utilizadas para el estudio
de vegetación. Se distinguen dos grandes tipos: unidades de área fija y unidades de
área variable
4.1. PARCELAS DE ÁREA FIJA

Solo se usan en estudios que requieren mayor precisión por ej.: productividad en
biomasa/ha o en volumen/ha. No son recomendables para estudios descriptivos de
la vegetación porque insumen más tiempo de medición.
Son las unidades de muestreo más viejas para la evaluación de vegetación.
Consisten en una porción de terreno perfectamente delimitada en donde se obtiene
información relacionada al área, por ejemplo: nº de árboles/ha, volumen en m3/ha,
biomas en tn/ha, etc.
Un árbol o arbusto es incluido en una parcela cuando su eje se encuentra dentro de
ella. Es conveniente efectuar un control permanente de los individuos situados en las
cercanías del límite para disminuir el error originado por la inclusión o exclusión
errónea de los mismos.
Con referencia a las parcelas de área fija, es necesario considerar los siguientes
aspectos: forma, tamaño, inclinación del terreno y límites del bosque.
Forma de las parcelas

Cuadradas y rectangulares
Se utilizan en comunidades donde no es trabajoso marcar el perímetro de las
parcelas, por ej. en un pastizal. Es necesario tener cuidado en terrenos inclinados ya
que pueden ocurrir errores sistemáticos. Se las marca mojonando una esquina o
diagonal. Estas parcelas pueden ser de tamaño variado, dependiendo éste de las
dimensiones de los individuos de la población objeto de estudio. Importante es que
el tamaño de las parcelas no deben variar en el mismo inventario. En estudio de
pastizales se utilizan marcos de 1m x 1m o menores en las que se relevan distintas
variables como por ej.:cobertura (estimaciones visuales), densidad, biomasa (éste
relevamiento es en oportunidades destructivo y en otras se estima la biomasa
mediante una relación lineal con la cobertura)
Fajas
Son apropiadas para ecosistemas de difícil penetración. Pueden ser de longitud
constante o variable, como las que se usaron en el parque chaqueño para los
inventarios que sirven de base a los planes dasocráticos. En éste caso el ancho es
de 10 m y se camina sobre la línea central por donde se va abriendo una picada,
cuyo eje se define mediante una brújula. Se decide la inclusión de los árboles
dudosos, controlando su distancia al eje de la parcela. La longitud de las fajas de
largo constante puede ser 50, 100, 200 m y algunas veces mucho más. Las fajas
permiten delimitar con facilidad, unidades de gran magnitud, a la vez que captan una
alta proporción de la variabilidad del ecosistema (Prodan, 1999). Las fajas largas y
delgadas que atraviesan un ecosistema reciben el nombre de transectas.
Circulares
Son las más utilizadas por su practicidad. Aquí sólo es necesario marcar el centro de
la parcela. De todas las formas de parcela, la circular es la que tiene menor
perímetro comparando a igualdad de áreas y por lo tanto relativamente menor
cantidad de individuos en el límite. Las parcelas circulares son adecuadas para
evitar la medición de diámetros en una orientación determinada (cuando se trabaja
con forcípulas) lo que acarrea errores sistemáticos. Para ello es necesario medir los
diámetros dando la espalda o de frente al centro de la parcela. Las parcelas
circulares no convienen en ecosistemas con vegetación muy densa por la mala
visibilidad y la dificultad para definir sus perímetros.
Parcelas satélites
También reciben el nombre de bloques o de traktos. Otros autores las designan
como conglomerados. Están diseñadas para realizar el relevamiento en un día de
trabajo. En este caso las unidades de muestreo están compuestas de varios
elementos, por ejemplo 4 parcelas de media hectárea cada una ubicadas en el
centro y esquinas de un cuadrado de 100 m de lado (figura 5). Entre si los
conglomerados deben ser idénticos en cuanto a forma, diseño y tamaño y en el
procesamiento estadístico deben ser considerados cada uno de ellos como una
unidad muestral. No es lícito trabajarlos como si fuera un muestreo bietápico porque
las que podrían considerarse unidades secundarias no están dispuestas al azar.
En los inventarios de bosques del NOA II (1973), La María (1998) y de la zona Nor
oeste de Sgo del Estero (1990) se usaron “bloques o traktos”. En el segundo la
unidad muestral estuvo formada por 9 parcelas circulares de 1000 m2 donde se
midieron los árboles de 20 cm ó más de dap (diámetro a la altura de pecho) y 8
concéntricas a las anteriores de 300 m2 donde además se midieron los individuos de
menos de 30 cm (hasta 5 cm de dap). Cada “bloque o parcela satélite” es una
unidad de muestreo y constituyen una unidad indisoluble ya que las subunidades
que la integran no fueron elegidas al azar. Por este motivo no deben confundirse con
las subparcelas del muestreo bietápico.
Figura 5. Parcelas satélites

Parcelas en terrenos inclinados.
Toda la información que esté relacionada con la superficie como área basal (AB),
volumen/ha, biomasa/ha, etc., debe referirse al plano horizontal. Por lo tanto en
regiones con pendiente acentuada deben efectuarse las debidas correcciones
adecuando las dimensiones de las parcelas a medir con la pendiente, de manera tal
que su proyección horizontal sea de las dimensiones y forma deseada.
Tamaño de las parcelas

Cuánto mayor es la superficie de las parcelas, menor es su variabilidad relativa
(Figura 6)
CV
Tamaño de parcela
Figura 6: Coeficiente de Variación en función del tamaño de parcela.
La disminución del coeficiente de variación (CV) con el tamaño depende además de

la forma de distribución espacial de los individuos en el plano o en el espacio (figura
7). Para lograr la misma precisión en un inventario se pueden usar pocas parcelas
de gran tamaño o muchas parcelas pequeñas. El intervalo óptimo es relativamente
amplio. Por lo tanto, cada planificación de inventario debe adecuarse a las
condiciones existentes y finalmente el estudio de costos dará la solución. En los
textos especializados sobre muestreo se encuentran las fórmulas para determinar el
tamaño y número óptimo.
En la figura 7 se esquematizan diferentes formas de distribución espacial de
individuos sobre una superficie. El cociente entre la variancia y la media de la
variable número de individuos por unidad de superficie recibe el nombre de índice de
agregación (IA). Con respecto a dicha variable, se sabe que: en Poisson
 2   (modelo de aleatoriedad); en Binomial:  2   (modelo de distribución
uniforme) y en Binomial negativa:  2   (modelo de distribución agregada o
contagiosa). El IA se calcula mediante los estimadores muestrales de la variable nº
S2
de individuos por unidad por parcela: IA  .
x

Figura 7: Distribuciones espaciales (Fuente: Tellería 1986)

Una representación esquemática de la influencia de la distribución espacial en la
variabilidad de las unidades muestrales se observa en la figura 8. Si se fija la
atención en el número de individuos por unidad muestral, se advierte que la
variabilidad de la variable xi = nº de individuos/parcela, es menor en la distribución
aleatoria que en la contagiosa o agregada. Obsérvese que el rango de x en
población aleatoria: 2 – 0 = 0, mientras que en la contagiosas: 4 – 0 = 4.
En una distribución regular o uniforme se tendría aún menor variabilidad.
Figura 8: Influencia de la distribución espacial en la variabilidad de las

unidades muestrales (Modificado de Ferrando y Sendín 2008)
Definitivamente, el tamaño de la parcela tiene que ver con la densidad de la

población y con su distribución espacial. Por ej. si una superficie boscosa tiene 500
árboles/ha, una parcela de 25 m2 tendrá en promedio 1,25 árboles, mientras que una
parcela de 1 ha contendrá 500 árboles. La primera de estas parcelas es muy
pequeña y la segunda muy grande. Los valores recomendables para bosques varían
según el ecosistema y dentro de un mismo ecosistema varían con el objeto de
estudio por ej. : pastos, regeneración, arbustos, árboles. En relación a estos últimos
se recomiendan aquellos tamaños que incluyan un número de árboles de 5 a 15. En
caso de duda se debe optar por las parcelas menores que son más prácticas para la
medición. Para estudiar la regeneración se usan parcelas pequeñas con radios de
0,5 a 2 m y más.
A menudo se utilizan parcelas con valores exactos de superficie para poder llevar
con facilidad la información a la hectárea. En la tabla que sigue se presentan
tamaños, radios y su utilización en inventarios forestales, en forma esquematizada.

Tabla 20. Tamaño de parcela en bosques según el objetivo de estudio.

Fuente: Loetsch et al 1973
Tamaño de Radio Aplicación
parcela (m)
1 m2 0,56 Regeneración
10 m2 1,78
25 m2 3,82 Brinzales densos
50 m2 3,99
0,01 ha 5,64 Inventarios de diferentes intensidades de Europa
0,05 ha 12,62 Central en rodales mayores de 40 años.
0,1 ha 17,84 Inventarios en regiones de baja densidad o en los
1,0 ha 56,42 trópicos para valoración de especies valiosas poco
frecuentes
También se usan parcelas de radios exactos en especial para regeneración (0,5 , 1 y

2 m). Todas las reflexiones acerca del tamaño de las parcelas son válidas para
todas las formas y no solamente para las circulares.
A veces se usan círculos concéntricos para bajar los costos. En tres círculos por
ejemplo, se trabaja de la siguiente manera: dentro del círculo pequeño de 50 m2 se
miden todos los árboles con diámetro de 10 a 19 cm., dentro del círculo medio de
0,03 ha., todos los árboles con diámetro entre 20 y 29,9 cm. y, dentro del más
grande, todos los árboles con 30 cm o más. Éste procedimiento conduce al principio
del conteo angular o selección angular de pies.
Toma y procesamiento de datos en parcelas de área fija

Supóngase que se realiza un muestreo para determinar la biomasa aérea por
hectárea de los árboles de un bosque con 19 parcelas circulares de 1000 m2 cada
una.
La planilla para la toma de datos en el campo puede tener el siguiente formato (tabla
21). En ella, a título de ejemplo, se transcriben los datos (ficticios) levantados en el
campo y que corresponden a la parcela 1. El diseño de las planillas para el
relevamiento debe adecuarse al objeto de la evaluación y facilitar el trabajo de
campo y la posterior carga de datos en computadora.
Tabla 21. Formato básico de planilla para toma de datos en el campo.
Parcela Nº..1. Ubicación: (referencias, coordenadas, etc.) Altura snm:
Hora de inicio: Hora de finalización:
Observaciones:
Árbol Nº Especie Diámetro (cm) Altura total (m) Observaciones
d ht
1 QB 36,00 10,50
2 QB 11,00 4,35
3 QB 35,40 10,10
4 QB 28,10 9,50
5 QB 33,50 11,00 Bifurcado
6 Mi 12,10 6,80
7 QB 45,70 12,65
8 AN 8,3 4,1
9 QC 13,0 7,2
10 QC 15,7 8,1
11 AN 18,3 6,0
QB: Quebracho blanco; QC: Quebracho colorado; AN: algarrobo negro; Mi: mistol
Se utilizarán mayúsculas para las variables comunitarias y minúsculas para las

individuales. De esta manera el área basal individual y la biomasa aérea individual
del j-ésimo árbol se designan por ab j y bj.
Como valores que representen a cada parcela deberán obtenerse un valor de cada
variable comunitaria para cada parcela
Se recomienda seguir los siguientes pasos:
5.7. Cálculo de los valores individuales (ej.: ab, b, v) para cada individuo
5.8. Calculo de los valores de variables comunitarias absolutas y relativas;
totales y por especie.
i) Por ejemplo: El área basal individual del j-ésimo árbol (abj) es el área
 2
del círculo que corresponde a su diámetro: ab j  dj .
4
Los valores de bj se estimarán con funciones que se presentan a continuación:
bAN  e( 2,0998  0,9173 * Ln( d 2 * ht )) para algarrobo negro (*)
2
bQC  e ( 4 ,1513 1,1255* Ln ( d * ht ))
para quebracho colorado (*)
bMi  10,9161  0,0790249 * d * ht 2
para mistol (*)
bQB  0,0738697 * d 2,5939 para quebracho blanco (*)
(*) Funciones obtenidas por la cátedra de Estadística del InSiMa de la FCF-UNSE
ii) Mediante la suma de los valores individuales de cada parcela se

obtendrá el valor de la variable comunitaria, la que muchas veces se
expresa en relación a la hectárea. A continuación se calculará para
esta parcela:
ABha (área basal total en m2/ha),
ABhai (área basal para la especie i-ésima en m2/ha ),
ABri (área basal relativa de la especie iésima en %);
Densha (nº de árboles por ha);
Densi (nº de árboles por ha de la especie i-ésima);
Densri (densidad relativa de la especie i-ésima en %);
Bha (biomasa aérea total en tn/ha);
Bhai (biomasa de la especie i-ésima en tn/ha);
Bri (Biomasa relativa de la especie i-ésima en %).
Los valores de estas variables colectivas resultan de la suma de los valores de las
variables individuales correspondientes, por lo que éstos deben calcularse en
primera instancia. La variable comunitaria ABha en m2 por ha se cacula como:
 ab
j
j
ABha  10.000
a
donde a es el área de la parcela en m2 y abj debe expresarse en m2.
Para calcular las biomasas individuales bj téngase en cuenta que en las funciones
presentadas más arriba, la biomasa (b) se da en kg, el d en cm y la ht en m. El
cálculo de la biomasa de la parcela, llevada a tn por hectárea es

b j
j
Bha   10.000 en tn / ha
1.000  a
El archivo de datos y los cálculos de valores individuales se muestran en la tabla 22
(este trabajo se puede efectuar en Excel). En el archivo se han agregado 2
columnas: bj (en ella se calcula la biomasa individual del j-ésimo árbol) y abj
(cálculo del área basal individual del j-ésimo árbol).
Tabla 22. Archivo de datos y valores individuales calculados (columnas grises)
dj htj abj
PAR Nº SP BIF (cm) (m) bj (kg) (m2)
1 1 QB 36,00 10,50 804,1913 0,1018
1 2 QB 11,00 4,35 37,1308 0,0095
1 3 QB 35,40 10,10 769,8851 0,0984
1 4 QB 28,10 9,50 422,9272 0,0620
1 5 QB 2 33,50 11,00 667,2369 0,0881
1 6 Mi 12,10 6,80 89,5923 0,0115
1 7 QB 45,70 12,65 1493,2171 0,1640
1 8 AN 8,30 4,10 21,6928 0,0054
1 9 QC 13,00 7,20 46,7227 0,0133
1 10 QC 15,70 8,10 81,5799 0,0194
1 11 AN 18,30 6,00 131,2077 0,0263
Total de parcela 1 4565,3838 0,5997
Para obtener los valores por hectárea de las variables Dens, AB y B para la parcela
1 se efectúa un sencillo cálculo. Recordar que el área de la parcela ( a) es de 1000
m2.
Densidad total:
nº árboles en la parcela 11
Densha   10.000   10.000  110 arb / ha
a 1.000
12
 ab
j1
j
0,5997
Área basal total por ha: ABha   10.000   10.000  5 ,997 m 2 / ha
a 1.000
Biomasa total por ha:

11
b
j 1
j
4565, 3838 4 ,56538
Bha   10000   10.000   10.000  45 ,6538 tn / ha
a 1.000  a 1.000
La primera división entre 1000 es para expresar la biomasa en tn.
También se pueden calcular densidades, áreas basales y biomasas por especie,
absolutas y relativas. Por ejemplo, la densidad absoluta del QB es
nº de QB 6
DenshaQB   10.000   10.000  60 arb. / ha
a 1.000
La densidad relativa se obtiene dividiendo entre la densidad total:

Densha QB 60
DensrQB   100  54 ,54% .
 100 
Densha 110
De manera similar se calculan las áreas basales y biomasas absolutas y relativas
por especie. Los resultados figuran en la tabla 23.
Tabla 23: Densidad, área basal y biomasa absoluta y relativa por especie de la
parcela 1.
Parcela SP (i) Densi Densri Abi Abri Bi Bri
2
(nº/ha) (%) (m /ha) (%) (tn/ha) (%)
1 AN 20 18,18 0,317 5,29 1,529 3,35
1 Mi 10 9,09 0,115 1,92 0,896 1,96
1 QB 60 54,54 5,238 87,34 41,946 91,88
1 QC 20 18,18 0,327 5,45 1,283 2,81
1 Todas 110 100 5,997 100 45,654 100
RECORDAR: ESTOS RESULTADOS CORRESPONDEN A UNA SOLA PARCELA

(LOS VALORES DE VARIABLE CORRESPONDEN A UNA ÚNICA UNIDAD DE
MUESTREO). PARA HACER LA ESTIMACIÓN POR INTERVALO DE LAS
MEDIAS POBLACIONALES DE CADA VARIABLE SE REQUIEREN n UNIDADES
MUESTRALES.
Ahora se efectuará la estimación por intervalo de las medias poblacionales de las
variables Dens, AB y B. El número identificatorio de la parcela es útil para el control
de datos. Si se dispone de 19 parcelas, los datos de éstas se presentarían como en
la tabla 23 a, de la que, y por razones de espacio, solo se muestran las primeras y
últimas filas. Nótese que en caso de no estar presente una especie en una parcela
los valores que le corresponden son ceros.
Tabla 23 a: Ejemplo de archivo de datos de parcelas para la estimación final
(datos redondeados al centésimo de las variables Dens, AB y B).
Densidad AB B
Parcela Especie (árb./ha) m2/ha tn/ha
1 AN 20 0,32 1,53
1 Mi 10 0,12 0,90
1 QB 60 5,24 41,95
1 QC 20 0,33 1,28
1 Todas 110 6,00 45,66
2 AN 11 0,88 0,83
2 Mi 9 0,72 1,09
2 QB 58 4,64 40,78
2 QC 16 1,28 0,88
2 Todas 94 7,52 43,58
. . . . .
. . . . .
. . . . .
19 AN 19 1,52 1,39
Densidad AB B
Parcela Especie (árb./ha) m2/ha tn/ha
19 Mi 0 0 0
19 QB 52 4,16 30,76
19 QC 14 1,12 0,74
19 Todas 100 6,8 32,89
La prueba de Shapiro Wilks, para las tres variables presenta los siguientes
resultados
Salida de programa Infostat. Prueba de normalidad de Shapiro Wilks

Especie Variable n Media D.E. W* p (una cola)
Todas Dens 19 103,32 8,68 0,94 0,4710
Todas AB 19 8,05 0,91 0,95 0,5923
Todas B 19 40,57 8,61 0,91 0,1524
Se pueden, por lo tanto, efectuar estimaciones por intervalo utilizando la distribución

“t” de la manera conocida.
Salida de software Infostat. Estimación de medias por intervalo del 95% de

confianza
Intervalos de confianza
Bilateral
Estimación paramétrica
Variable Parámetro Estimación E.E. n LI(95%) LS(95%)

Dens Media 103,32 1,99 19 99,13 107,50
AB Media 8,05 0,21 19 7,62 8,49
B Media 40,57 1,97 19 36,42 44,71
4.2. PARCELAS SIN ÁREA FIJA

Reciben este nombre porque el tamaño de la unidad de muestreo depende de
diversos factores y su “área” varía de unidad en unidad. También reciben el nombre
de unidades “sin parcela” o “plotless”. Muchas veces se refieren a ellas como
“estaciones de muestreo”.
Estas unidades de muestreo son muy útiles en relevamientos rápidos de vetegación.
Se distinguen los procedimientos de distancias y el muestreo o selección angular de
pies de Bitterlich.
Procedimiento de distancias
Se utilizan para las estimaciones de densidad, volumen y para caracterizar
distribuciones espaciales de algunas formas vegetales aunque también han sido
usados en los últimos años para animales sésiles o de escasa movilidad. Los
métodos contemplan unos distancias individuo-individuo y otros punto-individuo.
En la práctica forestal han sido usados desde hace mucho tiempo. En los
procedimientos individuo-individuo se elige por ejemplo un árbol al azar, el cual es el
centro de la parcela sin área fija, midiéndose luego la distancia al primero ó al
segundo ó al tercero, etc. (cambiando según el método) de la vecindad. Cuando la
distribución de los individuos sobre el plano es aleatoria, estos procedimientos
proporcionan buenos estimadores, sin embargo en poblaciones agregadas dan
siempre estimaciones fuertemente sesgadas. Suelen ser usadas para investigar los
efectos de la vecindad.
Por el contrario, los procedimientos punto-individuo son relativamente más seguros
aunque ellos también presentan sesgos de pequeña magnitud dependiendo de la
distribución espacial de los pies. Entre los más conocidos se encuentran el método
de los cuadrantes y el del sexto árbol de Prodan.

:
Figura 9.Esquema de procedimientos de distancias:
punto - individuo; individuo - individuo y Método de los
cuadrantes centrados en un punto. (Con x se marca el punto
de estación) Modificado de Ferrando y Sendín, 2008..
En los métodos de distancias en cada unidad se miden

distancias y se anotan especies para luego calcular mediante
fórmulas la densidad total y por especie. Es factible también
tomar otras variables como diámetro y altura de los individuos
con las que además se puede calcular área basal, volumen,
biomasa etc.
Método de los cuadrantes centrados en un punto

Se recomienda la lectura del artículo Quantitative Análisis
by the Point-Centered Quarter Method (Mitchell, 2007)
Este método es usado por los forestales desde hace 150
años. Cottam et al 1953, presentaron una deducción de la
fórmula que se utiliza para la estimación de la densidad. La
información obtenida con este método es la de las variables:
especies, densidad, diámetros medio, AB, B totales y por
especie y frecuencia.
El procedimiento es el siguiente: se ubican puntos (estaciones) a lo largo de una
línea imaginaria, cada cierta distancia (50 o 10 m) o al azar (ésta es la manera
correcta) en número igual o mayor que 10.
Cada uno de ellos es el centro de la estación en donde se hace el muestreo de la
vegetación. En cada centro se cruzan dos líneas imaginarias con ángulos de 90º
(figura 10), una coincide con la línea del transecto y la segunda es perpendicular a
él. De este modo se delimitan los 4 cuadrantes. En cada uno de ellos se debe ubicar
el individuo (árbol o arbusto) más cercano al punto central y tomar la distancia
respectiva (D1, D2, D3, D4). De este modo, en cada estación se consideran solo 4
árboles o 4 arbustos (según se estudie vegetación arbórea o arbustiva), de los
cuales, si fuese de interés, se pueden tomar medida adicionales como especie,
altura, diámetro, forma de copa y estado sanitario.
La fórmula de Cottam et al estima el área promedio que ocupa cada individuo,
con la media aritmética de las distancias elevada al cuadrado. Al dividir el área
total (la hectárea) entre el área individual se obtiene la densidad expresada en
nº de individuos por hectárea.
Para realizar los cálculos de densidad de árboles por hectárea, se debe sacar el
promedio de las distancias del punto central hacia cada individuo
n 4 Dij
D   ; n  nº de estaciones en la transecta
i 1 j 1 4n
10.000
Densha  (Cottam)
D2
Densha = Densidad por hectárea en nº de individuos por hectárea
D = media aritmética de las distancias en m.

El cuadrado de D es una estimación el área ocupada por un individuo por lo tanto

el cociente entre el área total (en este caso 10.000 m2) y el área individual da una
estimación de la densidad expresada en nº de individuos por hectárea.
Sin embargo este estimador es sesgado debido a que se estima D y luego se la
utiliza al cuadrado.
D3
D2
D1
D4
Figura 10: Distancias en el método de los cuadrantes centrados en un punto
Este sesgo fue corregido por Pollard (1971). La fórmula propuesta es:
40.000( 4n  1 )
Densha  n 4
en nº ind/ha
2
   Dij
i 1 j 1
Si se han medido los diámetros (a 1,30 o a la base), también se puede calcular el

d2
área basal por hectárea: ABha    Dens = Área Basal en m2 por hectárea, d =
4
diámetro promedio a 1,30 m (árboles, en m) o diámetro a la base (arbustos, en m).
Este método tiene como ventajas la rapidez de muestreo, el poco equipo y mano de
obra que requiere y, además, la flexibilidad de medición, puesto que no es necesario
acondicionar el tamaño de la unidad muestral a las condiciones particulares de la
vegetación (Matteuci y Colma,1982).
Con la fórmula de Pollard es posible también, bajo ciertas condiciones, calcular
además de la estimación puntual (a partir de una sola transecta), intervalos de
confianza. Mitchell (2007).
2
2 Densha
S Densha 
4n  2
Ejemplo:
La tabla 24 muestra datos para cinco puntos muestrales (vale como ejemplo de
cálculo aunque no se llegue a los 10 que recomienda Mitchell) que fueron ubicados
al azar en una transecta. Aquí se muestra una forma de utilizar el método para la
estimación de densidad, dominancia y frecuencia y cálculo del índice de valor de
importancia

Tabla 24. Datos ficticios en 5 (n = 5) puntos de una transecta mediante el

método de los cuadrantes centrados en un punto.
Punto D: Distancia
Cuadrante Especie d (cm)
Muestral (Estación) (m)
1 2,7 Quebracho colorado 5,5
2 3,6 Quebracho blanco 42,5
1 3 8,5 Algarrobo negro 17
4 4,0 Vinal 25
1 5,1 Quebracho colorado 6
2 3 7,9 Quebracho colorado 5
1 3,3 Quebracho blanco 75
2 0,7 Quebracho colorado 6,5
3 3 3,5 Algarrobo negro 9
4 4,0 Algarrobo negro 23
4 7,8 Algarrobo negro 25
Total 89,7
Fuente: Datos Ficticios
Resultados: Aplicando la fórmula de Cottam et al.:
Distancia media ( D ) = 89,7/20=4,4850 m
Densidad = Área / D 2
Densha = Número de árboles por ha = 10000/ 4,4852 = 497 árboles por ha.
Con la fórmula corregida por Pollard se obtiene un valor más bajo que es el
correcto por ser insesgado:
40.000( 4n  1 ) 40.000  19
Dens  n 4
  470 ,6  471 ind / ha
2 3,1416  514 ,01
   Dij
i 1 j1
n 4
2
 D ij  2,7 2  3,6 2  ...  7 ,8 2  514 ,01
i 1 j1
La densidad de cada especie se calcula multiplicando el total de individuos por ha

( Densha ) por la densidad relativa que en este método se estima mediante el cociente
entre el nº de árboles de la especie “l” y el total: nl /4n.

Tabla 25. Cálculo de densidad relativa y absoluta con el método de los

cuadrantes centrados en un punto
Densidad relativa de Densidad absoluta
Especie (l) de la especie “l”
la especie “l”( Denslr )
(Denslha)
Quebracho blanco 6/20= 0,3 0,3 x 471= 141
Algarrobo negro 4/20= 0,2 0,2 x 471 = 94
Vinal 1/20 = 0,05 0,05 x 471= 24
Quebracho colorado 9/20= 0,45 0,45 x 471 = 212
Total 1 471
Se observa que en este procedimiento primero se efectúa el cálculo de la densidad

relativa y luego con este dato más el de la densidad total, se calcula la densidad
absoluta por especie.
Una variable adecuada para medir la dominancia es el área basal de cada especie.
En el método de los cuadrantes se calcula de la siguiente manera
ABlha  abl  Denslha (en palabras: se calcula el área basal individual media por
especie y se la multiplica por su densidad) .
Tabla 26: Cálculo de área basal media por especie para los 20 árboles de la
tabla 24.
Especie l-ésima
Quebracho Algarrobo Quebracho
Vinal
blanco Negro colorado
Diámetro abQBj Diámetro abAlgi Diámetro Abvj Diámetro AbQCj
(cm) (m2) (cm) (m2) (cm) (m2) (cm) (m2)
42,5 0,1419 17 0,1419 25 0,0491 5,5 0,0024
75 0,4418 9 0,4418 6 0,0028
14 0,0154 23 0,0154 5 0,002
12 0,0113 25 0,0113 5 0,002
23 0,0415 7 0,0038
18 0,0254 6,5 0,0033
6 0,0028
5 0,002
5 0,002
nl
 ab lj (m2) 0,6773 0,1197 0,0491 0,0231

j1
abl (m2) 0,1129 0,0299 0,0491 0,0026
El área basal total ( ABha ) se calcula con el área basal media ( ab ) media,
multiplicada por la densidad total:
  ab
i j
ij
0 ,6773  0 ,1197  0 ,0491  0 ,0231
ab    0 ,0435m 2
54 20
ABha = 0,0435 x 471 = 20,49 = 20,5 m2/ha
El área basal de cada especie es la siguiente calculada sobre la base de los valores
de las tablas 25 y 26:
 ABQuebracho blancoha: 141 x 0,1129 = 15,92 m2/ha

 ABAlgarrobo negroha: 94 x 0,0299 = 2,81 m2/ha
 ABVinal: 24 x 0,0491 = 1,18 m2/ha
 ABQuebracho coloradoha: 212 x 0,0026 = 0,55 m2/ha
ABha =  AB lha = 20,46 = 20,5 m2/ha .(se confirma el resultado obtenido arriba)
l
Entonces el rango de dominancia considerando la variable ABha es: Q.blanco;
Alg.negro; Vinal y finalmente el Q.colorado.
Si se divide cada una de las ABi entre la ABtotal, se obtiene el área basal relativa
(ABri), en este ejemplo la dominancia relativa expresada en ABri para cada una de
las especies es:
ABrQuebracho blanco= 77,81 % ; ABrAlgarrobo negro= 13,73 %; ABrVinal = 5,77 %;
ABrQuebracho colorado= 2,69 %
Frecuencia relativa = (Nº de puntos en los que se observó cada especie / Suma
de observaciones) x 100:
Fi / n F
Fr  100  100 i
 Fi / n
i
 Fi i
En este caso la  F es 4+3+1+5 = 13

i
i
 Quebracho blanco: = 4/13 x 100 = 31%

 Algarrobo negro: = 3/13 x 100 = 23%
 Vinal: 1/13 x 100 = 8%
 Quebracho colorado: = 5/13 x 100 = 38 %
El índice de valor de importancia IVI es la suma de la frecuencia relativa, la densidad
relativa y la dominancia relativa y varía entre 0% y 300%. Algunos autores prefieren
expresar en relación al 100% por lo que dividen los valores de IVI entre 3.
Tabla 27: Cálculo del IVI para las especies del ejemplo.
Densidad Dominancia Frecuencia
Especies IVI
relativa (%) relativa (%) relativa (%)
Q. Blanco 30 77,81 30,77 138,58
Alg. Negro 20 13,73 23,08 56,81
Vinal 5 5,77 7,69 18,46
Q. colorado 45 2,69 38,46 86,15
Totales 100 100 100 300
Con el valor de IVI, la lista de importancia la encabeza el Q. Blanco, seguida ahora

por el Q. Colorado, el algarrobo negro y el vinal, con lo que se demuestra la utilidad
de este índice ya que considera la densidad y frecuencias relativas además de la
dominancia.
Este método, al igual muchos de los otros métodos de distancias, es muy
sensible al tipo de distribución espacial. La mayoría de estos métodos han sido
elaborados suponiendo que la distribución es aleatoria. Cuando se viola el supuesto
de aleatoriedad de la distribución de los individuos sobre el plano (es decir que la
variable nº de individuos por unidad de muestreo se distribuye como una Poisson),
se producen sesgos, los que son mayores cuando mayor es el apartamiento del
modelo aleatorio. Para poblaciones que no tienen distribución espacial aleatoria
Mitchell (2007) en la Sección C presenta el método no paramétrico de Patil que

permite efectuar estimaciones de densidad poblacional cualquiera sea la distribución

espacial de los individuos.
Las fórmulas de Cottam y Pollard se basan en una única unidad muestral: una sola
transecta y son muy útiles en estudios rápidos de vegetación. Cuando se desea
hacer estimaciones con mayor rigor estadístico, se aconseja realizar varias
transectas de la misma longitud e igual número de puntos y de esta manera estimar
la variabilidad. Si los valores de densidades estimadas tienen distribución normal, se
puede construir un intervalo de confianza con t.
Muestreo con selección angular de pies

El muestreo angular de BITTERLICH es, al contrario de las unidades muestrales
vistas hasta ahora, un procedimiento relativamente nuevo que data del año 1931. La
validez general del principio, como procedimiento fundamental en el inventario
forestal, fue reconocida por su autor en 1948. En este procedimiento, al igual que en
el método de los cuadrantes centrados en un punto, la unidad de muestreo no tiene
área fija y está conformada por todos los árboles que son seleccionados, desde el
punto de estación, para integrar la “parcela” sobre la base de un ángulo de
selección, por ello recibe el nombre de selección angular de pies. El muestreo
angular debido a sus ventajas, es el procedimiento de selección que más se usa en
la constitución de “parcelas” (unidades muestrales) en la práctica forestal mundial.
En este procedimiento, el técnico se para en el centro de la estación y, los árboles
que al ser visualizados con la abertura que delimita el ángulo, muestren diámetros
mayores que esa abertura, son contados e incluidos en la unidad muestral. Se
puede idealizar que a partir de ese centro existirían infinitos círculos concéntricos,
uno para cada diámetro posible.
Se demuestra más abajo que el área de estos círculos es directamente
proporcional a las áreas basales de los individuos. También puede interpretarse
de la siguiente manera: dado un punto de estación, a cada valor de diámetro le
corresponde una parcela circular de área fija cuyo tamaño depende del área basal
individual de cada posible individuo. De esta manera, a los árboles de mayores
diámetros le corresponden círculos mayores. Por lo tanto la probabilidad de inclusión
de un árbol en una “parcela” depende de su área basal (abj)
La delimitación del ángulo puede hacerse con un aparato de construcción casera,
con un prisma, con un dendrómetro o con un relascopio.
Considérese el ángulo  . En la figura 11 se muestran sólo dos de ésos infinitos
círculos.

Figura 11. Selección angular de pies
El concepto básico de muestreo angular se explica de la siguiente manera: en el

círculo con radio R1 (m) se cuentan los árboles con d1 (cm) de diámetro; en R2, los
d2. Esto significa que los árboles de d1 deberán estar situados como máximo a una
distancia R1 del centro de observación o punto de estación para poder ser incluidos
en la “parcela”, los de d = d2 , a una distancia R2 como máximo, no siendo fija el
área de la parcela ya que ella dependerá de las dimensiones de los árboles y su
ubicación. Reiterando: también se puede pensar en este método como si cada
estación fuera una unidad de muestreo compuesta por infinitas parcelas
concéntricas y cada una de ellas corresponde a un d2.
De todo lo dicho se desprende que, en una estación dada, los árboles de mayor
diámetro tienen mayor probabilidad de ser medidos ya que las áreas que a ellos les
corresponden son mayores que las correspondientes a diámetros inferiores.
Para determinar el radio Rj correspondiente a un diámetro dj y calcular el área
correspondiente se debe considerar la relación siguiente ( d expresado en cm y R
en metros). Esta relación permite calcular R en función de d del individuo j-ésimo:
dj dj dj dj
   
sen    2  100  100 ; 2sen    100 ; Rj  100
2 Rj 2 Rj 2 Rj  
2sen  
2
El área de la “parcela” que corresponde a un árbol con diámetro dj es
d2j
2 10.000  d 2j
Área j    R j   
2   4  
4sen   10.000sen 2  
2  2
ab j
Finalmente Área j 
 
10.000sen 2  
2
dónde: dj = diámetro en cm del j-ésimo árbol en una estación;
Rj = radio en m correspondiente al jésimo árbol;

= ángulo de selección
abj : sección normal individual o área basal del j-ésimo arbol
Por ejemplo, a un diámetro 3 veces d1, le corresponde un área que es 9 veces el

área correspondiente a d1.
De esta manera se han expuesto sintéticamente los principios básicos de la
constitución de la unidad muestral mediante selección angular la cuál se resume en
los siguientes conceptos:
 La probabilidad de inclusión de un árbol en la “parcela” depende de su
sección normal (abj).
 El área resultante de las unidades muestrales, es por lo tanto variable ya que
depende del diámetro y de la ubicación de los árboles.
Los instrumentos que se utilizan para el conteo angular son: vara de BITTERLICH,
dendrómetro de Kramer, prisma y relascopio .
Cálculos:
Un árbol seleccionado de dj (en cm) de diámetro representa, en este procedimiento,
un área basal en m2/ha ABj igual a:
Sección normal del árbol con d j en m 2

AB j  
Área de la parcela de radio R j en ha
ab j en m 2

Área de la parcela de radio R j en ha
Reemplazando abj y Área de la parcela de radio Rj p por fórmulas en función de dj
y sen  /2
2
  dj   dj
2
 
4  100  4 10.000  
AB j    10 4 sen 2    K
  R 2j 2
d j 2
10.000  10.000
10.000  
4sen 2  
2
Dónde K es una constante que depende, como puede observarse, únicamente del
ángulo  , y recibe le nombre de factor de área basal (BAF por sus iniciales en
inglés: Basal Area Factor).
En cada punto de estación (unidad muestral) se da una vuelta de 360º visualizando
todos los árboles por la abertura que define el ángulo  y contando (es decir
incluyendo en la “parcela”) aquellos que, al comparar su diámetro con la abertura
que corresponde al ángulo , sean mayores que esta abertura. En caso de ser
iguales deberá confirmarse su inclusión midiendo la distancia R. Al finalizar la vuelta
se han incluido generalmente varios árboles que son los que han resultado
seleccionados por este proceso de selección angular. Se designa con “z” al número
de árboles seleccionados en una estación.
Resumiendo: cada árbol incluido en la unidad muestral representa K m2/ha y
por ende si se contaron “z” individuos, AB = Kz. Los valores de K usados son
1, 2 y 4. Cuanto mayor densidad tiene el bosque es necesario utilizar un K
mayor.
Cálculo del total de una variable en una unidad muestral

Al efectuar los cálculos para la parcela (por ej. la suma de secciones normales
individuales), es necesario considerar las probabilidades que tuvieron los individuos
al ser seleccionados para integrar la muestra y utilizar una ponderación adecuada
para que los resultados no sean sesgados. Como la probabilidad es directamente
proporcional a la sección normal (abj), la ponderación adecuada para equilibrar el
desbalance producido por las probabilidades desiguales es 1/abj.
Así cualquier variable x se totaliza en un punto “i” de conteo con:
zj
xij
Txi  K  
j1 abij
Siendo Txi = total de la variable x en la unidad muestral i-ésima. En esta fórmula se
observa que si xij es abij basta con contar el número de árboles seleccionados (es
decir sumar un 1 zi veces) y multiplicarlo por K para tener el ABi,
Si se desea saber el número de árboles por hectárea hay que medir cada dj para
poder calcular la ponderación 1/abj. Algo similar ocurre con el volumen o la biomasa
por ha.
Cálculo de ABi (área basal en la estación i-ésima en m2/ha)

Si “xij” representa el área basal individual del jésimo árbol del iésimo punto (“abij”),
entonces el área basal total del i-esimo punto es
zi zi
2
abij
Txi  ABi ( m / ha )  K    K   1  K  z i  ABi
j1 abij j 1
O sea que el área basal en m2/ha (ABi) de la i-ésima unidad muestral, se obtiene
multiplicando el factor de área basal “K”, por el nº de árboles que se contaron
(“entraron”) en dicha estación. Este resultado es coincidente con el de más arriba.
Cálculo de AB media considerando n estaciones de selección angular

En cada punto de estación (unidad muestral) se obtiene, por lo tanto, un valor de
área basal ABi. Para calcular el área basal media de n puntos de muestreo se
procederá como para cualquier variable xi (el subíndice i indica la unidad muestral i-
ésima o punto de estación i-ésimo):
n
ABi
ABha   donde n = nº de estaciones
i 1 n
Resumiendo: como resultado de los conteos y mediciones efectuadas en cada
estación, se obtiene un valor de la variable de interés al igual que en las parcelas de
área fija. El conjunto de valores de la variable obtenidos constituye la muestra, la
cual luego será trabajada para hacer inferencia estadística, efectuándose
estimaciones puntuales o por intervalo. En éste último caso se utilizará la
variabilidad exhibida por la muestra y se construirá el intervalo con t(n-1).
El factor de área basal (BAF) “K” apropiado: depende de la densidad. Se
recomienda aquel que permita la inclusión de 5 a 15 árboles por estación. En
bosques tropicales se recomienda el factor basimétrico 4 para “reducir” el tamaño de

la unidad de muestreo contrarrestando así la mala visibilidad en el bosque tropical.

(de Vries, 1986).
También puede calcularse el volumen por ha en cada estación, o la biomasa, o la
variable que sea de interés. Para los estudios ecológicos estas unidades
muestrales son utilizadas casi con exclusividad para la estimación de área
basal.
Ejemplo de cálculo de valores de ABha y Densha en unidades de selección

angular.
Se efectuaron 15 estaciones utilizando el dendrómetro de Kramer. El número de
individuos seleccionados por especie en cada estación y discriminados por especie
se presentan en la tabla 28. a) Estimar por intervalo del 95% el ABha. b) Dados los
diámetros de los árboles seleccionados en la estación 1 (tabla 29), estimar Densha
en esa estación. En dicha tabla se presentan únicamente los diámetros de los
árboles seleccionados en la estación “1” con el fin de ejemplificar el cáculo de la
densidad en una unidad de muestreo.
Tabla 28. Número de árboles por estación, elegidos mediante selección

angular en 15 estaciones de muestreo según especie. Datos ficticios.
zi= nº árboles
Estación observados en
“i” Sp1 Sp2 Sp3 Sp4 Sp5 Sp6 la estación “i”
1 2 1 1 0 2 1 7
2 0 1 3 3 2 1 10
3 1 1 1 1 4 2 10
zi= nº árboles
Estación observados en
“i” Sp1 Sp2 Sp3 Sp4 Sp5 Sp6 la estación “i”
4 2 0 0 6 0 0 8
5 1 0 1 1 1 1 5
6 0 1 2 1 2 3 9
7 1 1 1 0 1 1 5
8 2 1 1 0 0 0 4
9 1 1 2 5 1 1 11
10 0 0 1 1 4 1 7
11 3 0 0 0 2 2 7
12 2 2 2 0 0 1 7
13 2 1 1 1 3 1 9
14 0 0 1 1 5 0 7
15 0 0 0 5 0 1 6
suma 17 10 17 25 27 16 112
media 1,1333 0,6667 1,1333 1,6667 1,8000 1,0667 7,4667
a) Por ser K = 1, entonces ABi = zi.

La prueba de Shapiro Wilks permite aceptar la normalidad de los valores de ABha
correspondientes al total de las especies, por lo que se puede efectuar una
estimación por intervalo de la media poblacional del ABha. Las salidas del software
Infostat se presentan a continuación (D.E.: desviación estándar, E.E.: Error
estándar)

Salida de prueba de Normalidad

Shapiro-Wilks (modificado)
Variable n Media D.E. W*p (una cola)
AB 15 7,47 2,03 0,94 0,5350:este valor no permite rechazar
la hipótesis nula de normalidad por lo que se construye el intervalo con “t(n-1)”
Cálculo de intervalo del 95% de confianza

Intervalos de confianza
Bilateral
Estimación paramétrica
AB Media 7,4667 0,5243 15 6,3421 8,5912
El intervalo de estimación de la media poblacional del ABha con el 95% de confianza

es:
6 , 3 m 2 / ha    8 ,6 m 2 / ha
b) Para el cálculo de la densidad es necesario medir los diámetros y así poder
calcular la ponderación adecuada a cada diámetro. Recuérdese que para calcular el
total de una variable en una estación debe utilizarse la fórmula adecuada para
compensar el desequilibrio producido por la diferencia entre las probabilidades de
selección. En este caso en particular i = 1; x1j = 1(porque se refiere a conteo); z = 7
z1
x1 j 7
1
Tx1  K    1 
j1 ab1 j j  1 ab1 j
En la tabla 29 también se presentan los cálculos para la densidad de la estación 1.

Tabla 29. Diámetros de los árboles de la estación 1 y cálculo de su Densha.
Especie d (cm) ab (m2) 1/ab La densidad estimada en la estación 1 es por
15 0,01767 56,5882919 lo tanto de 278,52 árboles por ha.
Sp1
25 0,04909 20,3717851 Nótese la dificultad en la estimación de la
Sp2 20 0,03142 31,8309142 densidad: para conocerla es necesario medir
Sp3 35 0,09621 10,3937679 los diámetros, por lo que este método de
Sp4 - selección es poco utilizado para estimar
26 0,05309 18,8348605 densidades.
Sp5
11 0,0095 105,226163
Sp6 19 0,02835 35,269711
SUMA = Densha 278,515493
Las ventajas del muestreo angular son:

 No es necesario marcar los límites de la parcela.
 El área basal (ABha) se obtiene por conteo.
 El muestreo angular es apropiado para que un solo operador (sin control de
árboles límites) efectúe mediciones rápidas de área basal.
Desventajas:
 Para densidad no basta con contar, hay que medir los diámetros.
 En caso de árboles límites o dudosos (si en el visor se observa que el
díametro d es igual a la abertura que define el ángulo) es necesario calcular
el Rj que le corresponde y controlar la distancia al punto de estación.

4.3. Unidades de muestreo para estimación de cobertura.

Además del área basal, la cobertura expresada con el porcentaje del área cubierta
por individuos (en caso de pastos) o por las copas de árboles y arbustos es una
variable muy utilizada en la descripción y evaluación de ecosistemas. Muchas veces
se usa una estimación visual de la cobertura y numerosos autores han propuesto
escalas para ello. Por otra parte existen métodos cuantitativos muy exactos pero
laboriosos como los que incluyen mapeo y fotografías.
Los métodos más usados en la actualidad para estimar cobertura son los llamados
métodos de intercepción. Éstos consisten en contar o medir intercepciones de
plantas con una línea o con puntos. Su medición se puede efectuar de dos maneras:
por puntos y por líneas.
4.3.1. Líneas de intercepción

Las unidades de muestreo son líneas de longitud constante y en cada una de ellas
se mide la distancia cubierta por cada una de las especies (figura 12). La suma de
todas las longitudes cubiertas dividida entre el largo de la línea y multiplicada por
100, proporciona el valor de la cobertura total expresada en % de longitud cubierta.
Si la suma se realiza para cada especie por separado y luego se divide entre la
longitud de la línea, se tiene la cobertura específica.
Figura 12: Representación esquemática de la medición de cobertura por líneas.

Fuente: Ferrando y Sendín 2008
La longitud de las líneas depende del tipo de vegetación que se evalúe y de su

densidad. Hay recomendaciones de orden genérico: en vegetación herbácea deben
usarse líneas de unos 10 metros con aproximación hasta el cm, en arbustiva y en
bosques líneas de hasta 100 m con precisión de 10 cm. (Hays et al, 1981)
Este método es muy usado en especial para cobertura en vegetación arbustiva y
pastizales. Es interesante su aplicación en el proyecto PIARFON del Chaco
subhúmedo, según figura en el informe sobre “Caracterización cuali y cuantitativa del
estado inicial del bosque nativo. Área vegetación no arbórea 1”.( Tressens et al.
2005). Para ilustrar se transcriben en cursiva unos párrafos de ese informe:
Se utilizó el método de la línea de intercepción (Denevan & Treacy, 1987; Unruh &
Alcorn, 1987). Este método consiste en establecer una línea de corte a través de la
vegetación usando una cinta métrica; cada porción de una planta interceptada por
esta línea es registrada de acuerdo al número de centímetros que ocupa a lo largo
de la cinta horizontal. No se consideran valores inferiores a los 10 cm.
Los casos de superposición se abordan según los siguientes criterios. Si la canopia
de dos o más plantas de diferentes especies se superponen (Figura 13), la canopia
interceptada es medida desde los puntos A a D para la especie 1 y desde los puntos
B hasta C para la especie 2. Si dos o más ejemplares de una misma especie se
superponen bajo la línea de intercepción, la superposición no se considera como tal.
Por ejemplo, si los ejemplares 1 y 2 de la Figura 13 fueran de la misma especie,
entonces la canopia interceptada debe medirse desde los puntos A hasta D. En la

Figura. 14 se ejemplifica el criterio usado para los casos en donde la canopia se
interrumpe (sin cobertura). Incluimos aquí a los tramos con suelo desnudo,
hojarasca, senderos de animales, residuos de explotación forestal y vías de saca. Si
la interrupción en la canopia (puntos B a C) es menor a 10 cm, no debe medirse. La
canopia interceptada por esta planta es medida desde el punto A a D si la distancia
desde B a C es menor o igual a 10 cm. Si la interrupción es mayor a 10 cm,
entonces se miden dos intercepciones para esta planta; puntos A a B y puntos C a
D. Por razones de practicidad y considerando que la mayoría de los ejemplares no
arbóreos se encuentran por debajo del 1,50 m de altura, se estableció este nivel
como altura máxima de intercepción.
Figura 13. Superposición de canopias.

Línea de intercepción en anaranjado. 1 y 2 = ejemplares de distintas especies.
Segmento A-D= canopia de la especie 1. Segmento B-C= canopia de la especie
2. (Tressan et al 2005)
Figura 14. Interrupción en la canopia.

Línea de intercepción en anaranjado. B-C= interrupción. (Tressan et al, 2005)
EJEMPLO DE APLICACIÓN
Para describir la cobertura de los árboles y arbustos de una zona se efectuó un

muestreo al azar simple utilizando como unidades muestrales líneas de intercepción
de 10 m de longitud. En total se evaluaron 5 líneas, distribuidas al azar en la zona de
interés (desde el punto de vista estadístico 5 unidades muestrales es un número
muy bajo pero, a los fines de este apunte (didácticos), sirven para mostrar el
desarrollo de los cálculos).
Los datos se presentan en la tabla 30. La longitud de intercepción se mide en m. La

cobertura total correspondiente a una línea es la suma de las longitudes de
intercepción dividida entre la longitud de la línea y multiplicada por 100 (para
expresar en %).
Tabla 30: Datos de campo correspondientes a 5 líneas de intercepción para

estimar cobertura
Línea Ind. SP Long. Línea Ind. SP Long.

1 1 CHILCA 2,1 4 1 TUSCA 3
1 2 TUSCA 1,8 4 2 CHILCA 0,7
1 3 ALGARROBO 2,5 4 3 TUSCA 4,1
1 4 TUSCA 0,7 4 4 TUSCA 0,3
1 5 TUSCA 0,3 4 5 ALGARROBO 1,8
1 6 TUSCA 1,4 5 1 AFATA 0,3
1 7 ALGARROBO 4,2 5 2 JARILLA 0,5
1 8 ALGARROBO 0,8 5 3 TUSCA 4
1 9 MISTOL 0,9 5 4 TUSCA 1,1
2 1 MISTOL 3 5 5 ALGARROBO 2,3
2 2 CHAÑAR 0,7
2 3 MISTOL 1,3
Línea Ind. SP Long. Línea Ind. SP Long.
2 4 TUSCA 0,9
2 5 TUSCA 2,1
2 6 CHAÑAR 3,8
2 7 CHAÑAR 0,2
3 1 CHAÑAR 0,5
3 2 ANCOCHE 0,4
3 3 AFATA 0,2
3 4 JARILLA 1,3
3 5 TUSCA 2,4
3 6 ANCOCHE 0,5
3 7 AFATA 0,2
Procesados los datos se obtienen los siguientes valores de cobertura por línea y
especie. (tabla 31). Por ejemplo para la línea 1, la suma de las longitudes de
intercepción (LONG) es de 14,7 m. Si se expresa en porcentaje, la COB(%)=
100*14,7/10 = 147% (10 m es la longitud de la línea).

Tabla 31: Datos de cobertura por especie y por línea para efectuar
estimaciones de cobertura total o por especie (Valores provenientes de los
datos de la tabla 30).
SP Línea COB (%) SP Línea COB (%)
AFATA 1 0 CHILCA 2 0
AFATA 5 30 JARILLA 1 0
ALGARROBO 1 75 JARILLA 2 0
ALGARROBO 5 23 TUSCA 1 42
ANCOCHE 1 0 TUSCA 2 30
ANCOCHE 5 0 TODAS 1 147
CHAÑAR 1 0 TODAS 2 120
CHAÑAR 5 0
MISTOL 1 9
MISTOL 2 43
MISTOL 3 0
MISTOL 4 0
MISTOL 5 0
La estimación por intervalo del 95% de confianza de la cobertura media total es la

que figura a continuación en una salida del INFOSTAT:
Estimación por intervalo del 95% de confianza. Salida de INFOSTAT

COB (%) Media 100,60 15,74 5 56,89 144,31
A pesar de que la prueba de Shapiro Wilks permitió aceptar distribución normal en
los valores de cobertura total, evidentemente es muy alta la variabilidad y serían
necesarias más líneas para conseguir mayor precisión. Para la mayoría de las
coberturas por especie no se cumple el supuesto de normalidad por lo que
únicamente se realizaron estimaciones puntuales, las que se presentan a
continuación en copia de una salida de INFOSTAT
Estadística descriptiva
SP Variable n Media
AFATA COB 5 1,40
ALGARROBO COB 5 23,20
ANCOCHE COB 5 1,80
CHAÑAR COB 5 10,40
CHILCA COB 5 5,60
JARILLA COB 5 3,60
MISTOL COB 5 10,40
TUSCA COB 5 44,20

4.3.2. Puntos de intercepción

A continuación se presenta en cursiva la traducción libre de un párrafo referido a
puntos de intercepción del libro “Measurements for terrestrial vegetation” de Charles
Bonham. 1989. Edit. John Wiley & Sons.
Los puntos son considerados como el modo más objetivo para estimar cobertura.
Los puntos son parcelas con área minima. Hay un error mínimo por sesgo personal
cuando se usan puntos. Se considera si el punto contacta una parte de una planta o
no. Con los puntos se pueden obtener datos rápidamente y por lo tanto son
económicos. Sin embargo, ocurren errores causados por otras fuentes como el
movimiento de las plantas por el viento o la bajada incorrecta de los alfileres por el
observador.
Un punto simple puede definirse como la intersección de una cruz de dos cabellos
(figura 15 b) o la punta de un alfiler. Existen diversos tipos de aparatos ideados para
la cruz de cabellos. Otra alternativa es el marco o estructura de puntos (point frames
o serie de agujas) consistente en una vara rígida con 2 patas (ver figura 15 a ). La
vara tiene usualmente 10 agujeros equidistantes (pueden ser más) por los que
pasan 10 alfileres. La longitud de la vara puede variar según el tipo de vegetación y
de acuerdo a los patrones de distribución espacial y de alturas, pero no debe ser tan
corta como para que los alfileres estén muy juntos. En caso de ser 10 alfileres en
una vara de un metro, cada punto corresponde al 10% de cada unidad de muestreo
(o unidad observacional).
Desde el punto de vista estadístico la ubicación de los “n” relevamientos o

estaciones debe ser al azar. Cada estación de relevamiento es un conglomerado,
por lo tanto de él se obtiene un valor de cobertura total y por especie. La unidad
muestral está constituida por un conglomerado de “m” puntos sobre una línea
Luego, la estimación de la media poblacional por intervalo puede efectuarse, si la
distribución de la variable lo permite, con “t”.
Figura 15. a) Serie de agujas o marco de puntos; b) Visor de cruz. Fuente:

Ferrando y Sendín 2008
EJEMPLO DE APLICACIÓN.
Para estimar la cobertura de un pastizal efectuado en 6 estaciones elegidas al azar

en un pastizal, se efectúan 6 estaciones de muestreo utilizando un marco de puntos
de 1 m de longitud con agujas distanciadas 10 cm entre sí. Lo datos ficticios se
presentan en la tabla 32.

Tabla 32: Los siguientes datos ficticios representan un muestreo de puntos de

intercepción con marco de puntos (frame points) en un pastizal.
Punto Estación 1 Estación 2 Estación 3 Estación 4 Estación 5 Estación 6

1 Sp1 - - Sp3 - Sp5
2 - Sp1 Sp2 Sp3 Sp3 Sp1
3 Sp1 Sp2 Sp1 - - Sp1
4 Sp2 Sp2 Sp1 Sp3 Sp1 Sp1
5 - Sp4 Sp2 - - -
6 Sp3 - - Sp2 Sp4 -
7 Sp1 Sp4 - Sp4 - Sp3
8 Sp1 Sp2 - Sp1 Sp3 Sp3
9 Sp3 - - Sp1 Sp1 Sp3
10 Sp3 Sp1 - Sp3 - -
Estimar por intervalo del 95 % de confianza a la cobertura total.

El primer paso es calcular la cobertura por línea y especie. Estos resultados se
presentan en la tabla 33. Los valores de cobertura deben ser introducidos en un
archivo de tres columnas, una para cada variable: estación, especie y cobertura. Las
filas serán tantas como lo indique el producto de nº de estaciones por nº de
especies: 6 x 6 = 36 filas. La sexta especie corresponde al total (todas las especies).
Tabla 33: Cobertura por especie y estación de los datos de la tabla 27.
Estac sp Cob% Estac sp Cob% Estac sp Cob%
1 1 40 3 1 20 5 1 20
1 2 10 3 2 20 5 2 0
1 3 30 3 3 0 5 3 20
1 4 0 3 4 0 5 4 10
Estac sp Cob% Estac sp Cob% Estac sp Cob%
1 5 0 3 5 0 5 5 0
1 6 80 3 6 40 5 6 50
2 1 20 4 1 20 6 1 30
2 2 30 4 2 10 6 2 0
2 3 0 4 3 40 6 3 30
2 4 20 4 4 10 6 4 0
2 5 0 4 5 0 6 5 10
2 6 70 4 6 80 6 6 70
Especie 6: todas
Las estadísticas descriptivas por especie y total, obtenidos con la opción “medidas
de resumen” de Infostat, se presentan en la salida siguiente.
Salida de Infostat. Medias aritméticas y variabilidad de cobertura en 5 según

especies
Estadística descriptiva
Esp n Media D.E. CV
1 6 25,00 8,37 33,47
2 6 11,67 11,69 100,20
3 6 20,00 16,73 83,67
4 6 6,67 8,16 122,47
5 6 1,67 4,08 244,95
6(Total) 6 65,00 16,43 25,28

Previa aceptación de la normalidad con Shapiro Wilks (INFOSTAT Opción:

“Inferencia basada en una muestra”, “prueba de normalidad”), la estimación por
intervalo del 95% de confianza de la cobertura total es:
Cobertura total. Estimación por intervalo del 95%.

Media E.E. n LI(95%) LS(95%)
65,00% 6,71 6 47,76% 82,24%
4.4. INSTRUMENTOS UTILIZADOS EN LA EVALUACIÓN DE VEGETACIÓN.
Para la medición de diámetros se utilizan la cinta diamétrica y la forcípula (ver

figura 16). La cinta, que mide el perímetro de la sección normal, está graduada de
tal manera que en ella se lee directamente el diámetro.
Figura 16: Forcípula para medición de diámetros. Fuente: García, 1995.

Es más exacta la cinta pues mide el perímetro dando como resultado el diámetro
que correspondería a un círculo de ese perímetro. Dado que las secciones normales
de los árboles no son círculos exactos con la forcípula se comete mayor error. Éste
puede disminuirse efectuando dos mediciones en cruz y tomando la media aritmética
de los dos valores.
La medición de alturas se puede hacer de forma directa con varas hasta de 15
metros. La medición indirecta en base a medición de ángulos, cuyo principio se
describe en la figura 17 y que utilizan los hipsómetros Suunto ((figura 19), Haga o
Blume-Leiss (figura 18)) o en base a otras relaciones geométricas como la que
utiliza el dendrómetro de Kraner (figura 20). La descripción detallada y uso de estos
instrumentos se realizará en clase práctica.
Figura 17. Principio trigonométrico para medición de alturas. Deben ser

conocida la distancia horizontal y medidos los ángulos arriba y debajo de la
visual. Fuente: García, 1995.
Figura 18: Hipsómetros de Haga y de Blume-Leiss. Fuente: García, 1995.
Figura 19: Hipsómetro Suunto. Fuente: Forestry Suppliers Inc.
Para la selección angular de pies se usará en este curso el dendrómetro de Kramer
Figura 20: Dendrómetro de Kramer.
En éste último, la longitud de la piola junto con los cantos delimita el ángulo de
selección correspondiente a los distintos factores de área basal (1, 2 y 4). Con este
instrumento es también posible estimar la altura de árboles en base a una relación
geométrica de proporcionalidad de segmentos.

5. EVALUACIÓN DE FAUNA
En estudios de comunidades animales interesa conocer las variables colectivas más

que las individuales. Odum (1972) definió población, el objetivo fundamental de las
técnicas de evaluación, como “un grupo de organismos de la misma especie que
ocupa un lugar determinado y presenta características propias inexistentes en los
individuos (densidad, natalidad, etc.)”.
El recabar información de estas variables en animales es mucho más complejo que
en vegetales: los animales se mueven, se esconden y es difícil visualizarlos para
contarlos. Por ende, es complicada la estimación de su densidad y muchas veces se
debe recurrir a indicadores de abundancia utilizando sendas, huellas, heces,
madrigueras, nidos y otros que tienen un buen poder predictivo con respecto al
tamaño real de las poblaciones. Es por ello que las unidades muestrales utilizadas
para fauna son diferentes a las usadas en vegetación.
Por ejemplo, en las parcelas de área fija no basta con contar los que se ven sino que
hay que considerar también los que ¡ no se vieron y que se supone que están !
Esto se logra mediante un índice de detectabilidad (k) que es el cociente entre los
animales vistos y los presentes en la unidad de muestreo (este índice puede
referirse también a la capturabilidad: nº de capturados / nº de animales presentes).
nº de animales det ectados

k
nº de animales presentes
Casi todos estos índices no mantienen su valor en toda la unidad de muestreo, sino
que varían en función de la distancia al observador (o a la trampa), la especie, la
unidad de muestreo, la época del año, etc.
Sendín y Ferrando, dicen lo siguiente: “Cuánto más difícil sea observar o capturar
individuos, más pequeño será k. En general k es siembre inferior a 1, lo que implica
que el número de animales censados es habitualmente menor que el número total
de animales en la población. k depende de numerosos factores: k = f(m,e,h,n) donde
“m” representa la eficacia del método de observación o captura, “e” representa la
especie, “h” el hábitat donde se realiza el muestreo y “n” el esfuerzo (tamaño de la
muestra).
Clasificación de las técnicas y unidades de muestreo para evaluación de

fauna (Según Sendín y Ferrando, 2008).
5.1. Índices de abundancia
5.2.Transectas de líneas y de puntos (métodos de distancias). Otras
denominaciones: Censos móviles y censos de puntos ó Tellería:
itinerarios o estaciones de censos. Son métodos para estimar
densidad.
5.3. Parcelas
5.4. Capturas acumuladas
5.5. Captura y recaptura
5.6. Conteo directo.
Se recomienda la lectura del Tema 2: “Experimentos y muestreos” de la Asignatura

Ecología Metodológica y Cuantitativa” del Dpto. de Ecología e Hidrología de la
Universidad de Murcia, Curso 2008/2009 cuyos autores son Ferrando, J. A. P.,

Sendín, J. F. C. (2008, July 17). Portal Web site: http://ocw.um.es/ciencias/ecologia-

metodologica-y-cuantitativa.
Se recomienda también la lectura de “Técnicas de investigación para el manejo de
fauna Silvestre” de Painter et al 1999, Manual del Curso dictado con motivo del III
Congreso Manejo de Fauna Silvestre en la Amazonia, Santa Cruz de la Sierra,
Bolivia. Documento Técnico 82/1999. INSTRUCTORES: Lilian Painter, Damián
Rumiz, Daniel Guinart, Robert Wallace, Betty Flores, Wendy Townsend.
Aquí se dará un pantallazo general y resumido de los distintos métodos de
evaluación de densidad en fauna. Recomendamos la lectura de libros especializados
y ante una situación en particular, recurrir a publicaciones que relaten antecedentes
sobre el tema.
5.1. ÍNDICES DE ABUNDANCIA.
Son parámetros relacionados con la densidad y su finalidad es reflejar los cambios

que pudieran producirse en ella. Se usan para comparación de poblaciones, cuando
el objetivo final del estudio no es la estimación de la población de interés. Ej.:
insectos de una especie en otoño e invierno en un determinado lugar; pájaros en
tipos de bosques diferentes, dispersión o respuesta a alteraciones (caza, turismo),
etc.
Son muy fáciles de obtener por lo cual es posible realizar muchas determinaciones
lo que posibilita su tratamiento estadístico para captar diferencias.
Tellería (1986) al referirse a estos índices dice “La obtención de un índice de
abundancia no está sujeta, en principio, a normas fijas, por lo que su aplicación
depende en buena medida de la creatividad y sentido común del censista. Basta con
controlar el esfuerzo empleado en la obtención de una serie de registros (número de
individuos observados o capturados, número de huellas contactadas, etc.). Si ese
mismo esfuerzo (o unidad de esfuerzo) se aplica en diferentes lugares y
circunstancias, dentro de unas condiciones metodológicas equiparables, los valores
obtenidos reflejarán las diferencias en abundancia de las especies estudiadas dado
que el índice de abundancia es función de la densidad o tamaño de la población.
Este autor diferencia dos tipos de índices de abundancia: a) basados en observación
o captura y b) basados en huellas y frecuencia.
5.1.a. Índices de abundancia basados en observación y capturas.
Observación directa: detección visual o auditiva. Se basan en conteos en una

longitud recorrida (a1) o un tiempo (a2) exactamente controlados . Es necesario
utilizarlos con precaución, puesto que dicha observación depende de diversas
condiciones (especie, factores etológicos, hábitat, observador entre otros) que
influyen en la detectabilidad la que puede variar de manera considerable.
a1) El conteo de individuos se efectúa a lo largo de una línea cuya longitud varía en
función del tamaño de la especie. El recorrido se puede hacer a pie, en vehículo
automotor, embarcaciones y hasta en avionetas. Además de la longitud debe
controlarse la velocidad de recorrido y el número de observadores, de modo que el
esfuerzo invertido sea exactamente el mismo. El IKA es el índice kilométrico de
abundancia y se expresa como individuos por kilómetro.

nº de animales observados
IKA 
longitud del recorrido
a2)En el caso de aves, se utilizan observaciones y escuchas durante un tiempo

dado. Antes de comenzar el conteo es recomendable esperar unos minutos hasta
que el desorden producido por el observador haya cesado. El censista se instala en
un punto de la región que se estudia y durante un tiempo registra todas las aves
vistas u oídas. La duración del tiempo varía según los distintos autores: desde 2 a 20
minutos. Un tiempo prolongado no es conveniente pues reduce la posibilidad de
realizar un mayor número de estaciones ya que la fracción del día disponible para la
detectabilidad es limitado debido al ritmo de actividad de las aves. Estos índices
reciben el nombre de IPA: índice puntual de abundancia. Se expresan en número de
individuos por el tiempo de observación: ej. 5 individuos/10 minutos.
Capturas. La captura puede ser activa (caza o pesca) o pasiva (trampas). Los
índices de abundancia basados en capturas comparan el número de individuos
cobrados mediante los mismos esfuerzos de captura. Se deben tener en cuenta las
diferencias de capturabilidad entre las especies y aun dentro de una misma especie
(según sexo, época del año, disponibilidad trófica, ritmos, etc.). La intensidad del
esfuerzo de captura debe ser constante para que los índices sean comparables.
Al igual que en otros métodos que utilizan capturas, se supone que los animales no
deben desarrollar actitudes de atracción o repulsión a las trampas y la captura de
uno debe ser independiente de la de otro.
Con muchos animales ocurre que solo se puede capturar un ejemplar por trampa lo
que constituye un tope para el indicador de abundancia. Por este motivo, se
recomienda que el número de trampas debe ser tal que queden vacías un 20% de
ellas.
En lo posible no deben utilizarse métodos de captura cruentas que signifiquen la
muerte del ejemplar, en casos de que este método sea la única posibilidad, deben
aprovecharse los registros de caza y pesca deportivas, salvo en caso de especies
plagas. En anfibios, reptiles, pequeños mamíferos, aves e insectos se debe buscar
la forma de captura que no dañe al animal. Últimamente se están usando las foto-
trampa para mamíferos grandes. Las aves se capturan con redes y los peces con
pesca eléctrica.
También se usan cebaderos o puntos de atracción con feromonas para realizar
conteos periódicos en especie que se congregan. En el libro “Manual para el censo
de los vertebrados terrestres” de Tellería (1986) se presentan ejemplos muy
interesantes e ilustrativos del uso de estos indicadores.
5.1.b. Índices de abundancia basados en huellas y frecuencias.
b1) Como huellas se consideran casi todos los indicios de actividad de la especie
observada: sendas, rastros, excrementos, cadáveres, mudas, nidos, madrigueras,
alteraciones de la vegetación, etc. y que estén relacionados con la densidad de la
población. Su ventaja sobre los que usan capturas u observaciones directas es que
no están influenciados por la capturabilidad ni la detectabilidad, son más fáciles de
aplicar y más baratos e importantes en especies menos visibles.
El conteo de las sendas es útil pero como éstas perduran en el tiempo, a veces no
reflejan el tamaño de la población en ese momento. En las sendas se pueden contar
las huellas dejadas por los animales. Resulta fácil en sustratos blandos como arena
o nieve, en otros tipos de terrenos hay que recurrir a un sustrato artificial (arena de
granulometría adecuada) o papel imprimible, en especial para algunas aves y
mamíferos pequeños.
EJEMPLO DE APLICACIÓN (Datos ficticios sobre la base del ejemplo 7.3 de

Tellería , 1986).
Se comparara la abundancia de ciervos de una determinada especie en tres zonas
de una reserva. Para ello se establecen 10 parcelas circulares en cada zona y luego
de un período se cuenta el numero de grupos fecales acumulados. Realizar el
análisis apropiado para determinar si existe diferencia estadísticamente significativa
entre los indicadores de cada zona.
Tabla Nº 34. Número de grupos de restos fecales de ciervos en tres zonas de

una reserva.
PARCELA ZONA Si se cumplen los supuestos del análisis de la variancia, se
A B C puede efectuar este análisis, pero por el tipo de variable
1 11 6 5 (conteo) podría tratarse de una distribución de Poisson y, por
lo tanto, los residuos no ser normales. Para salir de la duda:
2 11 7 5
i) se realiza el ANOVA,
3 10 3 7 ii) se prueban los supuestos con los errores:
4 6 12 6 normalidad y homogeneidad. La prueba de
5 8 8 5 normalidad de Shapiro-Wilks permite aceptar la
6 14 5 6 normalidad y la de Levene la homogeneidad de los
7 11 6 2 residuos.
8 12 1 6 iii) Desde el punto de vista estadístico son válidos los
9 7 7 8 resultados que se presentan a continuación y que
10 11 9 6 corresponden a salidas del software INFOSTAT. Se
comprueba diferencia estadísticamente significativa
entre los índices de abundancia de las zonas a y b con respecto a la c.
Salida: Prueba de normalidad en los residuos del análisis de la variancia.

Shapiro-Wilks (modificado)
Variable n Media D.E. W* p (una cola)
RDUO_NUMERO 30 0,00 2,35 0,96 0,6898
Salida: Prueba de Levene: Análisis de la varianza en los residuos absolutos del

análisis de la variancia
RABS_NUMERO 30 0,09 0,03 89,72
Modelo 6,66 2 3,33 1,40 0,2645
ZONA 6,66 2 3,33 1,40 0,2645
Error 64,29 27 2,38
Total 70,95 29

Salida. Cuadro de Análisis de la Varianza (SC tipo III) del número de grupos de
restos fecales
NUMERO 30 0,42 0,38 33,01
Cuadro de Análisis de la Varianza (SC tipo III)
Modelo 115,27 2 57,63 9,74 0,0007
ZONA 115,27 2 57,63 9,74 0,0007
Error 159,70 27 5,91
Total 274,97 29
Test:Tukey Alfa:=0,05 DMS:=2,69870
Error: 5,9148 gl: 27
ZONA Medias n
C 5,60 10 a
B 6,40 10 a
A 10,10 10 b
Letras distintas indican diferencias significativas(p<= 0,05)
Si el estudio de los residuos hubiera invalidado el Anova, se podría haber recurrido a

una transformación, mediante raíz cuadrada, de la variable número de restos fecales
o realizar la prueba no paramétrica de Kruskall-Wallis.
Si en estudios más avanzados se hubiera establecido una regresión lineal entre la
densidad de la población como variable dependiente (y) y los índices de abundancia
(sendas, restos fecales, etc,) como variable independiente (x), es decir, si existiera
este antecedente (línea de regresión) para la especie de interés, se pueden utilizar
los índices de abundancia para estimar a la población (densidad).
b2)En especies muy tímidas, la alternativa para evaluar su abundancia es constatar

su presencia o no en cada unidad de muestreo, es decir la frecuencia. En estos
casos la frecuencia relativa de la especie considerada:
f nº de unidades muestrales con presencia de la especie A

f rA  
n nº total de unidades muestrales
puede ser utilizada como índice de abundancia y bajo ciertas condiciones se pueden
efectuar tests estadísticos para probar diferencias entre abundancias.
Se estudia la presencia de una especie de paseriforme en dos zonas cercanas.
Como es difícil verla u oirla se decide utilizar frecuencias. La zona A está cerca de
la zona urbana y zona B se encuentra alejada de la zona urbana y cercana al río.
Los datos, obtenidos de unidades de muestreo consistentes en estaciones de 10
minutos a la hora de mayor actividad de la especie, son los que se presentan en la
tabla 35.
Utilizar las frecuencias relativas como indicadores de la presencia y probar si existen
diferencias entre las frecuencias relativas de las dos zonas (α = 0,05).

Tabla Nº 35. Estaciones de muestreo y presencia de la especie en dos zonas.

ZONA Estaciones Estaciones donde Frecuencias relativas
Totales se oyó a la especie (fr)
A 139 35 35/139 = 0,2518 (p1)*
B 81 47 47/81 = 0,5802 (p2)*
Totales 220 82 82/220 = 0,3727 (p)*
* Ver más abajo en aplicación de fórmulas de diferencias entre proporciones
El análisis se puede realizar de dos maneras:

i) Utilizando la aproximación a la normal y
ii) con la prueba exacta de Fischer.
i) Las frecuencias relativas son en realidad proporciones, por lo que, si se cumplen

las condiciones presentadas por Cochran (1974) para el uso de la aproximación
normal y que se transcriben en la Tabla Nº 36, se pude realizar una prueba de
diferencias entre las frecuencias relativas correspondientes a cada zona.
Tabla Nº 36: Valores mínimos de n (según p) y de np para uso de la

aproximación normal (Cochran 1974)
p n (tamaño de np (nº obs. en la clase más

la muestra) pequeña)
0.5 30 15
0.4 50 20
0.3 80 24
0.2 200 40
0.1 600 60
0.05 1400 70
~0 ∞ 80
Se comprueba que las tres proporciones (p1, p2 y p junto a n1, n2 y n) satisfacen las
condiciones de la tabla 36, lo que habilita al uso de la aproximación a la distribución
normal.
Entonces, el estadístico zc para la prueba de diferencias entre proporciones con
la aproximación normal, cuya
hipótesis nula es H0: P1 = P2
contra la alternativa H1: P1 P2, se calcula como sigue:
p1  p2
zc 
1 1
p(1  p)   
 n1 n2 
siendo p1, p2 y p las frecuencias relativas de las zonas A, B y total y a su vez
estimadores de P1, P2 y P .
Sustituyendo por los valores del ejemplo:
p1  p2 0,2518  0,5802 0,3284
zc     4,86
1 1   1 1 0,0676
p(1  p)    0,3727(1  0,3727)   
 n1 n2  139 81 

El valor de zc se compara con z0,025 = 1,96 resultando z c  1,96 por lo que se

ubica en la zona de rechazo de la hipótesis nula y por lo tanto corresponde rechazar
la hipótesis de que no hay diferencia entre las frecuencias relativas y se concluye
que en la zona rural la presencia de la especie es diferente.
ii) La prueba de diferencia se realiza, bajo cualquier condición de los valores de n y

p, con la prueba exacta de Fischer basada en la distribución binomial. El software
Infostat da en su salida el valor exacto de la probabilidad asociada a la diferencia
entre proporciones al probar la hipótesis de que ambas son iguales. Como entrada
deben darse los tamaños de las muestras y el número de éxitos en cada una. Como
salida del software Infostat se presenta el valor de la diferencia y la probabilidad
asociada a ficha diferencia:
Salida de Infostat (Estadísticas; Inferencia basada en dos muestras; proporciones)

Diferencia: p1- p2 = -0,328448 Probabilidad (diferencia=0) = 0,000002.
Por ser ésta probabilidad muy pequeña (mucho menor que α) se rechaza la igualdad
de los indicadores (proporciones)
Si fuese necesario una estimación por intervalo de una P (poblacional) en cada

una de las zonas y si se cumplen las condiciones de la Tabla Nº 36 se debe utilizar:
1 p (1- p)
P̂ = p  ( z S p  ) donde S p =
2n n
1/2n se conoce como corrección por continuidad.
Estimación de densidad con frecuencias: Adicionalmente, la frecuencia ha sido

muy utilizada para estimar la densidad en invertebrados. Estas estimaciones se
basan en la relación de la media de la densidad con las funciones de probabilidad de
Poisson (cuando la especie tiene distribución aleatoria) o Binomial Negativa (en caso
de poblaciones con distribución agregada o contagiosa). Las fórmulas son las que se
presentan a continuación y donde la densidad se expresa en unidades por
parcela:
Para distribuciones al azar: ˆ   ln(1  f r ) .
dens
1/ k
Para distribuciones contagiosas: ˆ  k 1  f r 
dens  1
 
Donde k es el índice de agregación de la población que ha de obtenerse en un
muestreo anterior (ver Tellería, 1986)
5.2. TRANSECTAS DE LÍNEAS (itinerarios de censo) Y DE PUNTOS (estaciones

de censo): MÉTODOS DE DISTANCIAS
Son unidades de muestreo muy usadas para la estimación de la densidad

poblacional. Los procedimientos son similares a los descriptos en IKA o IPA pero
difieren en que es necesario:
 tomar medidas adicionales para relacionar la población con el área
(densidad), es decir controlar la superficie y,
 tener en cuenta la detectabilidad la cual, en la mayoría de los métodos, es

variable dentro del área de la unidad de muestreo.
5.2.1. ITINERARIOS DE CENSO
Se registran los individuos durante el recorrido al igual que para el cálculo de

indicadores, pero es necesario además anotar sus distancias perpendiculares (x) a
la línea de recorrido. Si no fuera posible estimar la distancia perpendicular, deberá
también estimarse el ángulo α entre la visual y la línea (figura 21). Las distancias se
utilizan para:
a) estimar el área del transecto o faja: método de King;
b) estimar el coeficiente de detectabilidad “k”: el más sencillo es el método de
Emlen y otros alternativas más precisas pero un poco más complicadas desde el
punto de vista de su aplicación, que son las que figuran en el programa
Distance.
ni
ˆ 
La fórmula general es: Dens donde:
2 wLk
ni = nº de individuos detectados, w = ancho de la faja; L : longitud, k: coeficiente de
detectabilidad.
Figura 21. Datos a registrar en un itinerario de censo.
Supuestos en los que se basan los itinerarios de censo.

o Los individuos que se encuentran sobre la línea nunca pasan desapercibidos
o sea que la probabilidad de detectarlos es 1.
o Los individuos son registrados en su posición inicial, antes de que se muevan
en respuesta a la presencia del observador y nunca son contados dos veces.
o Las distancias y ángulos son medidos exactamente y los individuos son
contados y ubicados correctamente en su categoría de distancia apropiada.
El método de King. Consiste en tomar como ancho de la transecta (w) el promedio

( x ) de las distancias perpendiculares a los individuos detectados. Este método
supone una detectabilidad uniforme en una faja de ancho x y longitud L.
ni
ˆ 
Dens
2 xL
Un biólogo estudia una población de zorros de una región. Sus unidades de
muestreo son itinerarios de censos consistentes en recorrer durante la noche
distancias fijas de 50 km por caminos rurales en una camioneta con 2 observadores
provistos de reflectores. Se anotan distancia y ángulo a los individuos observados.
Los datos que corresponden a una unidad muestral se presentan a continuación.
Encuentre el valor estimado de densidad para esa unidad muestral.
Tabla Nº 37. Datos correspondientes al itinerario Nº 5 para estimar densidad de

zorros con el método de King.
Itinerario Nº 5 Lugar: ……. Posición (GPS).......... Altura.......... 191,7134

Fecha: ………... Observaciones: x  28 ,0823 m
Indiv. Distancia al Ángulo sen  x = d * sen 7
Obs. d en m  (º) n5
1 20 30 0,5 10 ˆ 5
Dens 
2 70 15 0,2588 18,1173 2 xL
3 80 45 0,7071 56,5685 7
4 5 0 0 0  
5 40 35 0,5736 22,9431 2  20,0823  50.000
6 90 60 1 90
7 20 45 0,7071 14,1421  0 ,0000035zorros / m 2
Total 191,7134 Expresando por kilómetro
cuadrado: 3,5 zorros /km2.
Este valor constituye una estimación puntual. Si se desea una estimación por
intervalo, se debe repetir el procedimiento hasta obtener una muestra de n unidades
muestrales (itinerarios de censo de igual longitud L) para estimar x y Sx .
El método de Emlen es descrito en detalle por Tellería (algunas páginas de su
trabajo se transcriben más abajo) y se basa en un simple razonamiento para la
estimación de k : utiliza un promedio de la probabilidad detección de las bandas en
las que se subdivide el ancho de la faja (ver figura 22). Se asume que todos los
individuos presentes en la banda 1 son detectados por lo que, en dicha banda la
detectabilidad es p1 = 1
n n  n2  n3  n4 1  n1 n2 n3 n4  1
ˆ i i
Dens ; k̂  1         pi  p
wLkˆ 4n1 4  n1 n1 n1 n1  4
De esta manera se observa que la detectabilidad k̂ es el promedio de las
probabilidades de detección (pi) estimadas en las subfajas. Se presenta un ejemplo
a continuación.
Emlen también incorpora en este grupo de técnicas a las transectas de ancho fijo (a
las que denomina transectas o taxiados) en donde se cuentan todos los animales
detectados y simplemente se considera que estos son todos los presentes. Por lo
tanto la densidad se calcula considerando k=1, sin efectuar subdivisiones.

Figura 22. Determinación del coeficiente de detectabilidad (k) por el método de

Emlen.
EJEMPLO DE APLICACIÓN DEL MÉTODO DE EMLEN
Para conocer la densidad de individuos de una especie de paseriformes que habita

un pajonal se decide aplicar el método de Emlen. La unidad de muestreo consiste
en una transecta de 200 m de ancho (100 de cada lado de la línea central). Cada
una de las bandas de 100 metros está dividida en 4 zonas de 25 m: b1 , b2, b3 y b4.
La longitud L de cada itinerario es de 2 km. En una de esas unidades muestrales
se detectan, en correspondencia con las bandas, n1 = 15; n2 = 8; n3 = 3 y n4 = 2.
a) Calcule el coeficiente de detectabilidad según el criterio de Emlen.
n1  n2  n3  n4 15  8  3  2 28
k̂     0 ,4667
4n1 4  15 60
b) ¿Cuál es el valor de densidad de esa unidad?

ni 28
ˆ i
Dens   0,000075ind / m 2 .
2wLkˆ 2  200  2000  0,4667
Expresando por ha: 0,75 pájaros/ ha
NOCIONES BÁSICAS SOBRE EL PROGRAMA DISTANCE
El principio en el cual se basa el programa DISTANCE es explicado por Kangas

(2006) en el Capítulo 8 del libro Forest Inventory, Methodology and Applications:
Dada la función g(x) que describa la probabilidad de detección como una función de
la distancia x, un estimador insesgado de la densidad Dens es obtenida como:
ni
ˆ 
Dens donde ni, L tienen el significado conocido, mientras que â puede
2Laˆ
interpretarse como la mitad del ancho efectivo de la faja y se puede calcular
integrando la función que describe la disminución de la detectabilidad a medida que
aumenta la distancia al eje de la transecta.
w
â   g( x )dx w: distancia máxima de detección

0

La función g puede ser estimada, por ejemplo usando la función exponencial (o de J

 x
invertida) : g( x )  e
El programa DISTANCE proporciona distintas alternativas para la estimación de la
densidad. Estas alternativas consisten en combinar modelos usados para describir la
variación de la detectabilidad con métodos de ajustamiento.
Los modelos para la probabilidad de detección son: uniforme (se mantiene constante
en todo el ancho de la faja); mitad de normal o halb normal (decrece desde el centro
hacia los costados como la normal lo hace desde su máximo hacia los valores a su
izquierda y derecha), exponencial negativa (J-invertida) y tasa de riesgo. Los
métodos para el ajuste son: coseno, hermite y polinomial. Por ello suman en total
4x3=12 combinaciones posibles. Para datos de vida silvestre las más usadas según
Painter et al (1999) son : uniforme-coseno, uniforme-polinomial, mitad de normal-
coseno y tasa de riesgo-coseno.
El programa DISTANCE que se puede bajar gratis de internet, proporciona también
estadísticos para la bondad de ajuste de los datos al modelo:  2 y Akaike, los
cuales sirven para la selección de la combinación más adecuada en cada caso
A continuación se transcriben páginas del documento Métodos de censo de

vertebrados terrestres de J. L. Tellería en las que se describen, con mucha
claridad, los principios de estas técnicas y los diferentes métodos. En cursiva se
presenta la copia textual. La numeración de las figuras se cambiaron para estar en
concordancia con la numeración de estos apuntes.
Itinerario de censo. Consiste en registrar a los individuos observados a lo largo de

la línea de progresión (L) del observador que, a medida que avanza, anota la
distancia a la que los animales son observados (Figura 21). El método presupone
que los animales son detectados en su posición natural (es decir, que no se han
alejado o acercado a la línea de progresión), que el observador no se confunde al
calcular las distancias y que los animales tienen una detectabilidad k=1 sobre la
línea de progresión (esto puede no se cierto en el caso de especies hipogeas o
arborícolas...). A partir de esta información se calcula la función de detección de las
especies (probabilidad de detección en función de su lejanía al observador) con la
que, tras calcular el porcentaje de individuos no detectados, se realiza una estima de
la densidad. La forma normal de aplicar esta metodología es a través del popular
programa DISTANCE (ver Recursos en la red).
Hay, sin embargo, algunas aproximaciones empíricas de esta metodología de uso
bastante extendido. El transecto o taxiado es la forma más sencilla de itinerario de
censo. Define a priori una banda de recuento (w) en la que asume que la
detectabilidad es del 100 %. Si la banda de recuento se establece a ambos lados de
la línea de progresión, y en el itinerario se contactan n animales, la densidad (o
número de individuos existentes en esa unidad de muestreo) será d=n/(2.w.L).
El método de Emlen es una variante del transecto que tiene la ventaja de realizar
una estima empírica de la detectabilidad de las especies en las bandas estudiadas
(Figura 22). También asume que en la banda más próxima al observador la
detectabilidad es del 100%. Tal asunción debiera verificarse en un estudio previo
(por ejemplo, dos observadores siguen al censador anotando los individuos que este
no ha detectado; también pueden llevar perros con correa para levantar a los
individuos encamados...).

Los itinerarios de censo son métodos muy populares, económicos y se aplican a

todos los animales que puedan ser detectados visualmente (paseriformes,
codornices, perdices, liebres, ungulados....). Para su ejecución pueden utilizarse
diferentes sistemas de locomoción según las características y abundancia de las
especies a censar (a pie, a caballo, en automóvil y, en el caso de grandes
mamíferos que han de censarse sobre extensas regiones, ultraligero, helicóptero o
avioneta).
A lo largo de un itinerario de censo, el observador registra la distancia recorrida (L).
Si está realizando un transecto, se limitará a registrar aquellos animales registrados
dentro de la banda de recuento (w) y si pretende aplicar el programa DISTANCE©
deberá anotar la distancia de los individuos a la línea de progresión (xi) o, en su
defecto, la distancia (d) a la que observa al animal y el ángulo al que este se
encuentra con respecto a la línea de progresión (α).
Método de Emlen. Queremos saber el porcentaje de animales detectados en una

banda de recuento de 100 m que vamos a utilizar, posteriormente, en el censo de
una especie. Para ello, la subdividimos arbitrariamente en cuatro bandas paralelas
de 25 m. Asumimos también arbitrariamente (porque lo sabemos, lo hemos
estudiado, etc.) que en la primera de las bandas detectamos a todos los individuos;
K=1). Según esto, al realizar un censo podemos asumir que en los primeros 25 m
vemos todos los animales existentes (13 en nuestro caso; los animales observados
son los puntos negros de la figura 22); en la banda de 25 a 50 vemos 5, pero
deberíamos haber visto 13 según nuestro presupuesto (K=5/13=0.38); en la banda
de 50 a 75 hemos visto 4 de 13 (K=0.31) y 1 de 13 en la banda 75 a 100 (k=0.08).
Es decir, hay una perdida paulatina de detectabilidad al aumentar la distancia de las
bandas. Si queremos utilizar la banda de 100 m para contar animales, entonces
debemos saber que la detectabilidad es k=(13+5+4+1)/(13 x 4) = 0.44, de forma que
dividiremos por este coeficiente todos los individuos observados para conocer los
realmente existentes. Este último valor se utilizará para calcular la densidad
dividiéndolo por la superficie censada (100m x 2x L, donde L es la longitud de
nuestro itinerario).
Recursos en la red: Afortunadamente para los investigadores interesados en
censar poblaciones de vertebrados, es posible conseguir en la red varios de los
programas de censo más actuales y completos. A continuación se dan algunas de
las direcciones donde pueden obtenerse libremente. Se recomienda
encarecidamente que respeten escrupulosamente las condiciones de uso
planteadas por sus autores, así como los derechos de los mismos sobre un material
que es de su propiedad. También es importante recordar, que el manejo de estos
programas requiere un cuidadoso estudio de sus características y utilidades.
Research Unit for Wildlife Population Assessment (RUWPA). Es una unidad de
investigación adscrita al Centre for Research into Ecological and Environmental
Modelling (CREEM) en la Universidad de St. Andrews (Escocia). Ofrece diferente
software de interés. Dirección: http://www.ruwpa.mcs.st-and.ac.uk/
Ecology Software Server. Es un servicio del Illinois Natural History Survey que
ofrece programas sobre una variada gama de temas relacionados con el estudio de
campo de los vertebrados (estimas de densidad, radio-telemetría, etc.). Dirección:
http://nsm1.nsm.iup.edu/rgendron/software.shtml
Department of Fishery and Wildlife Biology y Colorado Coop. Fish and Wildlife
Unit, Universidad de Colorado. Este Departamento ofrece acceso a una serie de
programas interesantes como el MARK para Windows (marcaje y recaptura),

CAPTURE (marcaje y recaptura en poblaciones cerradas), DISTANCE (ver arriba),
etc. Dirección: http://www.cnr.colostate.edu/~gwhite/software.html
En el libro editado por Sutherland, 1988, en la página 58, Box 2.14 se presenta un
ejemplo de aplicación de itinerario de censo (transectos lineales) con distancias
medidas a los animales. Se trata de un itinerario de 10 km en Sudan para estimar la
densidad poblacional del antílope de orejas blancas (Kobus kob).
En el tema de itinerarios de censos es muy interesante la descripción sobre ellos

que realiza Wallace en el Capítulo VI de Painter et al (1999) para estimar densidad
poblacional, cuya lectura se recomienda. Cabe destacar que este autor presenta
como transectos lineales a los indicadores de abundancia y a los itinerarios de
censo. Al respecto hay mucha diversidad en la nomenclatura. Para no caer en la
confusión se debe tener siempre en cuenta de si se trata de índices de abundancia o
de estimadores de densidad.
5.2.2.ESTACIONES DE CENSO.
Lo que sigue a continuación en letra cursiva fue tomado de Ferrando y Sendin
(2007): Las estaciones de censo constituyen una alternativa a los itinerarios en
terrenos abruptos o muy heterogéneos, donde resulta complicado realizar un
recorrido lineal; son muy utilizados también para aves. El observador se sitúa en un
punto y va anotando todos los contactos en un área circular de radio prefijado
(Figura 22). La densidad de la iésima estación puede estimarse mediante:
ni
Densi 
W 2 k
donde n es el número de individuos registrados, W es el radio y k el coeficiente de

detectabilidad, que debe estimarse en cada caso.
Figura 23. Esquema de una estación de censo.
Se usan para evaluar poblaciones de aves en terrenos de difícil transitabilidad. Su

principio como puede verse en la fórmula presentada no difiere sustancialmente del
de los itinerarios de censos y el cálculo de k se basa en la distribución de los
contactos razón por lo cual se debe también ubicar (estimar) la posición en bandas
concéntricas correspondiente a cada individuo observado.

5.3. PARCELAS
(Tomado de Ferrando y Sendín)

Son en cierto modo equivalentes a los muestreos con parcelas (quadrats) de
vegetación, y en general los fundamentos son los mismos, aunque con variaciones
debidas a la menor detectabilidad de los animales. Un método muy empleado para
animales territoriales es el del mapeo de territorios (también denominado “método de
la parcela”). Consiste en delimitar un área de dimensiones más o menos amplias,
según las especies, en la que se anotan los contactos con los individuos presentes
en la zona. Tras múltiples visitas finalmente pueden cartografiarse los territorios de
cada pareja reproductora (Figura 24).
Al igual que en las parcelas de área fija para vegetación, el número de unidades
muestrales es directamente proporcional a la precisión de la estimación (a mayor
tamaño de muestra, menor es E). Esto puede tentar al técnico a planificar un
muestreo con muchas parcelas pequeñas (más rápidas para medir), sin embargo
éstas tienen relativamente mayor longitud de borde que las grandes y por ende
mayor es la probabilidad de cometer errores por inclusión de individuos marginales.
Tellería (1986) distingue: a) Observación directa (censos aéreos, batidas y mapeo
de una parcela y b) Capturas (captura directa y trampeo en una superficie).
Figura 24. (Tomada de Ferrando y Sendín) Método de la parcela (mapeo de

territorios). En un área delimitada se realizan recorridos sistemáticos con objeto de
registrar los contactos. Son especialmente útiles los contactos simultáneos. Tras
repetidas visitas, la distribución de los contactos permiten cartografiar los territorios
de las parejas presentes en la parcela. Modificado de Tellería(1984).

5.4.CAPTURAS ACUMULADAS.
Este método se utiliza para la estimación del tamaño de la población N. Se basa en

una serie de capturas y en el uso de la regresión entre las variables : nº de
capturados por sesión de capturas (y) y capturas acumuladas (x). Con esos datos se
marca una tendencia que se ajusta a una recta que tendrá pendiente negativa. El
punto en que corta la recta al eje x es el valor de N.
Para estimar la población de micromamíferos en una pequeña isla se ubican 50
trampas y se anota el número capturas diarias. Los animales se marcan para evitar
contarlos dos veces. Al cabo de siete días se obtienen los datos que se presentan
en la tabla 37. Estimar el tamaño de la población.
Tabla 37. Micromamíferos capturados por primera vez durante una semana.
Nº de capturados sin Capturas
marcar (x) acumuladas (y)
25 0
20 25
10 45
8 55
5 63
3 68
1 69
Es necesario efectuar la regresión de ŷ  a  bx . La salida de INFOSTAT se

presenta a continuación y el gráfico de los puntos observados y la recta de regresión
se aprecian en la figura 25.
Salida. Análisis de regresión lineal

Variable N R² R² Aj ECMP
Capturas 7 0,9781 0,9737 7,0113
Coeficientes de regresión y estadísticos asociados

Coef Est. E.E. LI(95%) LS(95%) T p-valor
const 26,3702 1,2091 23,2621 29,4783 21,8098 <0,0001
Capt.acum. -0,3464 0,0232 -0,4060 -0,2868 -14,9389 <0,0001

Capturas en función de capturas acumuladas
30
25
20
Capturas
15
10
0
0 10 20 30 40 50 60 70 80
Capturas acumuladas
Figura 25. Valores estimados y observados de capturas en función de capturas

acumuladas
Las pruebas sobre los residuos indican que éstos residuos cumplen con los
supuestos de la regresión. La regresión es significativa (p < 0.0001). La función es
la siguiente:
ŷ  26 ,3702  0 ,3464 x
Con esta función se estima el valor de N (tamaño de la población) que corresponde
al de x cuando ya no es posible capturar más, es decir cuando y = 0.
26 ,3702
x  76  N  tamaño población
0 ,3464
Este método es válido bajo los siguientes supuestos: a) la población no varía por
ninguna otra causa (nacimientos, migraciones o mortalidad); b) la capturabilidad es
igual para todos los individuos y c) las trampas son independientes unas de otras. El
esfuerzo de captura debe ser el mismo preferentemente, pero si no lo fuera se
pueden expresar las capturas como nº de capturas/trampa.
La regresión que se usa en este método es llamada regresión inversa. Los límites
que definen el intervalo de confianza para x se encuentran en Draper y Smith, 1966.
5.5. MÉTODOS DE CAPTURA Y RECAPTURA
Comprenden un conjunto de métodos con distintas propiedades y características.

Consisten en la captura y marcado de individuos que son luego liberados. La
posterior recaptura (en una única o varias sesiones) permiten estimar la poblaciones
y algunos de ellos sus cambios.
Estos métodos asumen que las marcas no influyen en la probabilidad de que los
animales vuelvan a ser recapturados. Por supuesto, no deben disminuir su tasa de
supervivencia, ni deben afectar a su comportamiento. A título de ejemplo aquí se
presentan dos de ellos: el primero de Petersen modificado por Seber supone que la
población es cerrada (N = constante) y el segundo, el de Jolly - Seber para
poblaciones abiertas, es decir el tamaño de la población N puede cambiar.
Método de Petersen. Tomado de Ferrando y Sendín (2008):

Inicialmente se realiza una sesión de trampeo en la que, a los animales capturados
(M) se les coloca una marca. En una segunda sesión de trampeo, se vuelven a
capturar n animales, de los cuales un número determinado (m) estarán marcados

(Figura 25). El razonamiento para la estima del número total de individuos de la
población (N) se basa en la siguiente equivalencia:
m M Mn
 de donde se desprende que: N 
n N m
Esta ecuación tiende a sobreestimar la población, por lo que Seber (1982) propuso
una ligera modificación, que mejora notablemente las estimas:
( M  1 )( n  1 )
N 1
m1
La asunción fundamental del método de Petersen es que la población es
cerrada, es decir, que N se mantiene constante entre las dos sesiones de captura.
Figura 25. Esquema y ejemplo del método de Petersen (Ferrando y Sendín

2008).
Para que este resultado sea un estimador válido de N, se deben cumplir varias
premisas:
• La población es cerrada, es decir N permanece constante entre el marcado y la
recaptura.
• La probabilidad de captura de todos los individuos en la primera captura es la
misma.
• El marcado no afecta la capturabilidad del animal.
• La segunda captura constituye una muestra aleatoria, es decir, cualquiera de las
posibles muestras de tamaño n tiene la misma probabilidad de ser tomada (se trata
de un muestreo al azar simple).
• Las marcas no se pierden y todos los individuos marcados en la segunda muestra
son identificados.
Ojasti (2000) textualmente expresa: La confiabilidad del estimador de Petersen
depende también del error de muestreo, que es proporcional a M, n y N. Robson y
Regier (1964) graficaron las combinaciones de M y n para diversos valores de N y
niveles de exactitud. Por ejemplo, para estimar el tamaño de una población de N =
100 con los límites de confianza ±25% de N con una probabilidad > 0,95, para un m
de 20 individuos se requiere un n de 75, y para un m de 60 un n de 32, lo cual da
una idea de la magnitud del esfuerzo.
Para más detalles y nuevas versiones de este método se recomienda consultar
Kangas (2006). En éste se encuentran fórmulas para estimar la variancia del
estimador.
EJEMPLO DE APLICACIÓN DEL MÉTODO DE PETERSEN Resumen del trabajo

“Estimaciones de poblaciones en estanques de Macrobrachium rosenbergii,
(camarón de agua dulce o langostino malayo) utilizando tres diferentes
metodologías” de Kelly-Genet J. P. y Kelly-Genet. 1982. Serie Boletín Informativo

(UNA) 6: 48-49: En empresas de acuacultura, las estimaciones confiables de tasas
de sobrevivencia de organismos y poblaciones en estanques pueden aumentar
enormemente la eficiencia de su manejo. Sin embargo, raramente se obtienen
estimaciones de poblaciones de Macrobrachium rosenbergii en forma rutinaria
debido a la incertidumbre y la complejidad de los métodos actuales de estimar
poblaciones. La mayor parte de la metodología ha sido desarrollada para uso con
poblaciones de peces y, por ende, son difíciles de aplicar a poblaciones de camarón.
Nosotros probamos la validez de tres métodos para poblaciones de M. rosenbergii:
el método de área-densidad, el método de DeLury de captura por esfuerzo y el
método de Petersen de marcaje - recaptura. Todo muestreo se realizó con una
atarraya o una red de chinchorro de 30 m con una malla de 1 /8 de pulgada. El
marcaje, para la recaptura, se efectuó al cortar 1 cm del uropodo derecho. El método
de área-densidad resultó en unas estimaciones de poblaciones mucho más altas
que la siembra original y en una estimación que no mostró diferencias
proporcionales en tamaños de población entre estanques que habían sido
sembrados a diferentes niveles. El método de captura por esfuerzo resultó en
aproximadamente la misma estimación de población para cada estanque; 400
individuos en cada estanque, todos los cuales se sembraron con más de 30 000
individuos. Se probó cuatro veces el método de marcaje-recaptura en cada estanque
y cada estimación resultó consistente. Las diferencias entre estanques también se
reflejaban en los diferentes niveles de siembra. El método también se aplicó a
individuos de tamaño de cosecha para determinar el valor de eficiencia de cosecha
según las técnicas actuales. Si este valor es constante para cada estanque, tal como
aparece, se podría utilizar para estimaciones mensuales de poblaciones.
Los datos que siguen son ficticios y se aplican al método de Petersen modificado
por Seber. En un estanque se toma una muestra al azar de M = 100 individuos los
que se marcan y se liberan. Transcurrido un tiempo prudencial de acuerdo a la
biología de este crustáceo se toma una segunda muestra de tamaño n = 50 en la
que se encuentran m = 13 individuos marcados. Estimar N.
( M  1 )( n  1 ) 101  51
N 1  1  367
m1 14
Método de Jolly-Seber (Traducción de Grenwood, in Ecological Sensus Technique

Chapter 2: 32-34 Editado por William Sutherland, 1998)
Este es el método elegido para poblaciones abiertas. Requiere: se tomen tres
muestras como mínimo y, marcas identificatorias; ya que es necesario saber no
solamente cuántos animales han sido marcados previamente, sino también en qué
tanda fueron capturados. Si los animares son individualmente identificables, esta
información revela la historia de captura de cada uno de ellos, es decir la lista de
muestras o tandas en las que fueron capturados. Si las marcas son identificatorias
de cada tanda o sesión de captura, se debe registrar el número de animales con
cada posible historia de capturas. La tabla 38 presenta un ejemplo: muestra que en
la 4ta. muestra el número de animales que no fueron capturados nunca son 40, los
que lo fueron en la primera son 10, y así sucesivamente.

Tabla Nº 38: Historial de captura de los 75 individuos capturados en la 4t. muestra

(datos de un estudio hipotético)
Días en que fueron previamente capturados Nº de animales capturados en
1 2 3 la 4ta. muestra
(*)
0 0 0 40
(*)
+ 0 0 10
0 + 0 9
0 0 + 11
+ + 0 2
+ 0 + 2
0 + + 1
+ + + 0
Total capturados en la 4ta. muestra 75
(*)
El signo + significa que el individuo fue capturado ese día y el 0 que no lo fue
El método no solo permite averiguar ganancias y pérdidas sino que proporciona
estimaciones del número de animales que entra en la población y la tasa de
supervivencia aunque el primero incluye inmigrantes y nacimientos y “supervivencia”
es el complemento de ambos: emigración y mortalidad.
5.6. CONTEOS DIRECTOS
Se utilizan para animales a los que es posible visualizar en grupos: manadas,

rebaños, aves acuáticas en lagunas, etc. Para ello se define el área de conteo, luego
se contabilizan los grupos y posteriormente se estima el número de individuos por
grupo. El método cartográfico es una variante muy usada para especies de escasa
densidad y que consiste en visitar una zona varias veces y posicionar en un mapa
número de individuos, madrigueras, dormideros etc., con el objeto de conocer su
distribución espacial. Una variante que mejora la exactitud de las estimaciones es la
de los dos censos simultáneos que se basa en un simple cálculo de los términos
de una binomial con n = 2. Un ejemplo interesante se encuentra la publicación de
Tellería referido al conteo de elefantes.
Tellería (1986) en el capítulo dedicado a conteos directos diferencia y ejemplifica
tres situaciones: a) Censos de unidades sociales; b) Censos de colonias de
reproducción y c) Censos de concentraciones postreproductivas.
CONSIDERACIONES FINALES
Por el aporte que ellos brindan, se transcriben los 10 principios de Green (1979):
1. Es necesario precisar la pregunta que se intenta responder con la investigación.
Los resultados serán tan coherentes como comprensible sea la concepción inicial
del problema.
2. Han de tomarse unidades de muestreo replicadas en cada combinación de
tiempo, localidad y cualquier otra variable controlada. Las diferencias entre las
situaciones sólo pueden ser demostradas comparando las diferencias en los grupos.
3. Debe tomarse, para cada combinación de variables controladas, el mismo número
de replicas seleccionadas aleatoriamente. Tomar unidades de muestreo en sitios
típicos o representativos no es muestrear al azar.
4. Para comprobar que una condición produce efecto ha de muestrearse en una
situación en la que se produzca la condición y en otra en la que no se produzca,

permaneciendo todo lo demás igual. Un efecto sólo puede ser demostrado por
comparación con un control.
5. Es necesario realizar algunos muestreos previos para disponer de elementos para
la evaluación del diseño de muestreo y de las posibles opciones de análisis
estadístico. Saltar este paso por no disponer de tiempo produce a menudo una
pérdida de tiempo.
6. Es necesario verificar que los instrumentos y métodos permiten muestrear la
población que se desea, y poseen una adecuada eficacia y constante en todo el
espectro de condiciones que pueden encontrarse. Las variaciones de eficacia en
distintas situaciones producen sesgos al comparar estas.
7. Si el área de estudio presenta una pattern ambiental a gran escala, es necesario
dividirla en subáreas relativamente homogéneas y muestrear en cada una de ellas
proporcionalmente a su superficie. Si se intenta estimar la abundancia de
organismos, el número de unidades de muestreo dependerá entonces de la
proporción de individuos en cada subárea y no del tamaño de estas.
8. Es necesario verificar que la unidad de muestreo es adecuada al tamaño, la
densidad y distribución espacial de los organismos que se están muestreando. Con
ello puede estimarse el tamaño muestral necesario para obtener la precisión
deseada.
9. Los datos han de ser probados para determinar: la normalidad, la homogeneidad
de la varianza y la independencia de la media. Si no se produce esta situación, como
ocurre en la mayor parte de los datos de campo entonces: (a) transformar
apropiadamente los datos; (b) utilizar una prueba de distribución libre (no
paramétrica); (c) utilizar un diseño de muestreo secuencial apropiado; ó (d)
contrastar la H0 con datos obtenidos por simulación.
10. Los datos deben analizarse con la técnica estadística elegida a priori. Unos
resultados inesperados o no deseables no son una razón para rechazar una técnica
y elegir otra mejor.
BIBLIOGRAFÍA
Cochran W. 1974. Técnicas de Muestreo. 4ª impresión. Compañía Editorial
Continental, S.A. México . 507 p.
de Vries P.G. 1986. Sampling Theory for Forest Inventory. Springer-Verlag. 399 p.
Draper N. y H. Smith. 1966. Applied regression Analysus, Second Edition. John
Wiley & Sons. 708 p.
Ferrando, J. A. P., Sendín, J. F. C. (2008, July 17). Ecología Metodológica y
Cuantitativa Retrieved February 19, 2009, from Portal Web site:
http://ocw.um.es/ciencias/ecologia-metodologica-y-cuantitativa.
Flores, B y A. Martínez, 2007. Monitoreo de aves del sotobosque en bosques con
diferentes intensidades de aprovechamiento forestal. Proyecto BOLFOR / Instituto
Boliviano de Investigación Forestal. Santa Cruz, Bolivia. Primera edición.
García O., 1995. Apuntes de mensura forestal. Universidad Austral de Chile.
Facultad de Ciencias Forestales. web.unbc.ca/~GARCIA/unpub/mensura.pdf. 65p.
Green, R.H. 1979. Sampling design and statistical methods for environmental
biologists. John Wiley & Sons. New York.
Hays R., Summers C. and Seitz W. 1981. Estimating Wildlife Habitat Variables. Fish
and Wildlife Service FWS/OBS-81/47. U.S. Deparment of the Interior. 111 p.
Kangas A. and Maltamo Matti. Editores. 2006. Springer. ISBN-13 978-1-4020-
4381-9 (e-book).
Lötsch, Zöherer y Haller. 1973. Forest Inventory. Vol. I.

Maldonado, M., 2007. Monitoreo de anfibios y reptiles terrestres en áreas de
aprovechamiento forestal en bosques de Bolivia . Proyecto BOLFOR / Instituto
Boliviano de Investigación Forestal. Santa Cruz, Bolivia Primera edición
Mitchell K. 2007. Quantitative Analysis by the Point-Centered Quarter Method.
http://people.hws.edu/mitchell/PCQM.pdf
Mostacedo B. Y T. Fredericksen. 2000. Manual de métodos básicos de muestreo y
análisis en ecología vegetal. BOLFOR. Santa Cruz de la Sierra., Bolivia. Edit. El
País.
Ojasti, J. y F. Dallmeier (editor). 2000. Manejo de Fauna Silvestre Neotropical.
SI/MAB. Series # 5. Smithsonian Institution/MAB Biodiversity Program, Washington
D.C.
http://nationalzoo.si.edu/ConservationAndScience/MAB/DOCUMENTS/SIMAB5.pdf
Painter Lilian, Damián Rumiz, Daniel Guinart, Robert Wallace, Betty Flores,
Wendy Townsend. 1999. TECNICAS DE INVESTIGACION PARA EL MANEJO DE
FAUNA SILVESTRE. Manual del curso dictado con motivo del III Congreso
Internacional sobre Manejo de Fauna Silvestre en la Amazonía, Santa Cruz de la
Sierra, Bolivia. Documento Técnico 82/1999.
http://pdf.dec.org/pdf_docs/Pnacl875.pdf
PNUMA. 1992. Convenio sobre Diversidad Biológica.
Prodan M., y R. Peters. 1999. Mensura Ftal
Prodan M. Forest Inventory. 1973. Vol I y II.
Rabinowitz A. 2003. Manual de capacitación para investigación de campo y la
conservación de la vida silvestre. Impreso en Bolivia. 237 p.
http://www.panthera.org/documents/WildlifeFieldResearchandConservationTrainingM
anualSPANISH_ARabinowitz.pdf.
Rudas, A. 2008. Curso de Temas Especiales “Análisis y Evaluación del Hábitat
Módulo: “Técnicas para el estudio de la Vegetación”. EL MUESTREO DE LA
VEGETACIÓN FORESTAL.Universidad Nacional de Colombia. Sede Bogotá.
Instituto de Ciencias Naturales.
Sutherland J. W. Editor. 1998. Ecological Census Techniques. A Handbook.
Cambridge University Press. 336 p.
Tellería Jorge, J.L. 1986. Manual para el censo de los vertebrados terrestres.
Editorial Raíces. Madrid. 278 p.
Tellería, J. L. Métodos de censos en vertebrados terrestres.
http://www.ucm.es/info/zoo/Vertebrados/censos.pdf. Departamento de Biología
Animal I. (Zoología de Vertebrados) Facultad de Biología, Universidad Complutense
Madrid.
Tressens S., Séller H. y Ferreira M. (2000). Informe “Caracterización cuali y
cuantitativa del estado inicial del bosque nativo. Área vegetación no arbórea 1”.
Proyecto PIARFON Chaco subhúmedo.
http://www.ambiente.gov.ar/archivos/web/PBVyAP/File/A3/PIARFON%20PCHsh/VE
GETACION%20NO%20ARBOREA.pdf
URS Holdings. 2007. Estudio de Impacto Ambiental Categoría III. Proyecto de
Ampliación del Canal de Panamá. Tercer Juego de Esclusas


SD 27 Muestreo 2011

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

SD 27 Muestreo 2011

Cargado por

Copyright:

Formatos disponibles

E-Book ISBN 978-987-1676-44-6

Serie didáctica Nº 27 Fecha de catalogación: 19/12/2014

Estos apuntes constituyen una base para el estudio de la asignatura “Muestreo y

Ing. Celia Gaillard de Benítez y Dra. Marta Graciela Pece

Apuntes incorporados como Serie Didáctica Nº 27 mediante Resol. CDFCF

Cátedra de Estadística Forestal

1. INTRODUCCIÓN. VARIABLES UTILIZADAS INDIVIDUALES Y COMUNITARIAS.

2. POBLACIÓN Y MUESTRA ...........................................................................................4

3. MÉTODOS DE MUESTREO ..........................................................................................7

4. UNIDADES DE MUESTREO EN VEGETACIÓN. ………………………………..…..…..29

Serie Didáctica 0 Junio de 2011

En la investigación ecológica se distinguen dos tipos de estudios:

VARIABLES UTILIZADAS: En cada unidad de muestreo y según el objetivo

Serie Didáctica 1 Junio de 2011

holothurians (pepinos marinos) en arrecifes de coral según Mitchel, 2007, se

c) Otras variables descriptivas de comunidades

c1) Frecuencia: Esta medida merece especial tratamiento ya que no se

c2) Índice de valor de importancia: IVI

complejos ecológicos de los que forman parte; comprende la diversidad

C4) Índices de similitud o similaridad. Se los usa para comparar

cualitativos (presencia-ausencia) o también en cuantitativos (densidad). Para

Desde el punto de vista estadístico se define a la población como un

Serie Didáctica 4 Junio de 2011

Tabla 1. Ejemplos de unidades de la población (y de la muestra) y

En la tabla se advierte que las unidades pueden ser individuos, o parte de

ellas se realizaron mediciones de diámetro a la altura del pecho (DAP o dap) y

Antes de pasar a la descripción y técnicas de las distintas unidades de

Serie Didáctica 6 Junio de 2011

USO DE VARIABLES EXPLICATIVAS

3.1 Muestreo al azar simple (MAS)

Para grandes poblaciones, el cálculo de la media y del error estándar puede

Tabla 2: Parámetros poblacionales y estimadores muestrales en MAS

Parámetros poblacionales Estimadores muestrales

Estimación de la media poblacional.

Ésta no proporciona ninguna medida de confianza, lo que no ocurre en la

La confianza del intervalo (1-α) expresa la probabilidad de que el

Muchas veces el error de estimación se expresa porcentualmente en relación

(S). Si ésta no se conoce de estudios o publicaciones anteriores el

Ventajas y desventajas del muestreo al azar simple

Ejemplo 1. En la Tabla 4 se presenta una población de un ecosistema

Serie Didáctica 10 Junio de 2011

Tabla 3. Parámetros de la población de biomasa (tn/ha). N = 450 parcelas

Media poblacional µ Variancia poblacional σ2 Máximo Mínimo

Tabla 4. Población de 450 parcelas rectangulares en un ecosistema. Valores de

Serie Didáctica 11 Junio de 2011

a) La selección de cada parcela se efectuó eligiendo al azar la fila (1 al 30) y la

Tabla 5. Muestra piloto obtenida por MAS de la población de la Tabla 3.

Fila Colum. Biomasa

b) Cálculo del tamaño de muestra definitivo: Siendo t (9)0,025 = 2,262

El cálculo del tamaño de muestra definitivo no finaliza aquí: se observa una

Para t (36)0,025 = 2,028 ( 2,028  42,07 )2

Para t (29)0,025 = 2,045 ( 2,045  42,07 )2

Para t (30)0,025 = 2,042 ( 2,042  42,07 )2

Serie Didáctica 12 Junio de 2011

Tabla 6. Muestra definitiva

Estadísticos de la muestra definitiva expresados en tn/ha: n = 31

factor de corrección para población finita: n porque su influencia sería

3.2. Muestreo al azar estratificado (MAE)

Serie Didáctica 13 Junio de 2011

El fundamento más importante de este método de muestreo consiste en la división

Criterios para estratificación

Utilización del MAE

Serie Didáctica 14 Junio de 2011

El error de estimación porcentual es E% = 100E/ x = 10033,80/228,37 = 14,8%,